論文の概要: C-WFDM: A ControlNet-Guided Wavelet-Fusion Diffusion Model for Multimodal Brain MRI Completion

• arxiv url: http://arxiv.org/abs/2611.05737v1
• Date: Tue, 03 Nov 2026 23:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.900393
• Title: C-WFDM: A ControlNet-Guided Wavelet-Fusion Diffusion Model for Multimodal Brain MRI Completion
• Title（参考訳）: C-WFDM:マルチモーダル脳MRI補完のための制御ネット誘導ウェーブレット融合拡散モデル
• Abstract要約: 我々は、主観的欠落モード補完のためのWavelet-Fusion Diffusion Model (WFDM) の制御ネット拡張であるC-WFDMを紹介する。 C-WFDMは157の公開MRIデータセットと45,880の事前処理スキャンからなる、以前のBrainScapeスナップショットの上に構築されている。 T1wからT2w、T1w、T2wからFLAIR、T1w、T2w、FLAIRからT1Gdを合成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal brain MRI provides complementary anatomical, tissue, and pathological information to support downstream artificial intelligence (AI) applications. However, modality availability is uneven across public and pooled neuroimaging datasets: T1-weighted (T1w) MRI is widely represented, T2-weighted (T2w) and fluid-attenuated inversion recovery (FLAIR) MRI are less consistently available, and gadolinium-enhanced T1-weighted (T1Gd) MRI is relatively scarce. Pooled datasets therefore contain participants with different combinations of acquired MRI contrasts, reflecting variation in the study designs, acquisition protocols, and clinical or research objectives of the contributing studies. Many missing-modality benchmarks simulate incomplete MRI by withholding contrasts from complete four-modality cases, which may not represent the observed availability patterns in pooled datasets. To address this gap, we introduce C-WFDM, a ControlNet extension of our Wavelet-Fusion Diffusion Model (WFDM), for subject-specific missing-modality completion. C-WFDM is built on an earlier BrainScape snapshot comprising 157 public MRI datasets and 45,880 preprocessed scans. The pretrained WFDM backbone retains target-modality and metadata conditioning, while target-specific ControlNet adapters use MRI contrasts from the same participant to guide synthesis. C-WFDM synthesizes T2w from T1w, FLAIR from T1w and T2w, and T1Gd from T1w, T2w, and FLAIR. Acquired conditioning contrasts are used when available, and generated intermediate contrasts are used only when required. We compare C-WFDM with ALDM, cWDM, and Pix2Pix using paired structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), and mean absolute error (MAE). In the BrainScape completion experiment, C-WFDM achieves the best T2w and FLAIR results among the evaluated models, with SSIM values of 0.9232 and 0.8904, respectively.
• Abstract（参考訳）: マルチモーダル脳MRIは、下流人工知能(AI)アプリケーションをサポートするために、相補的な解剖学、組織、病理情報を提供する。 T1-weighted (T1w) MRI は広く表現され、T2-weighted (T2w) と fluid-attenuated inversion recovery (FLAIR) MRI は一貫して利用できなくなり、ガドリニウム強化 T1-weighted (T1Gd) MRI は比較的少ない。 したがって、プールデータセットには、取得したMRIコントラストの異なる組み合わせの参加者が含まれており、研究設計、取得プロトコル、および貢献研究の臨床的または研究目的の変動を反映している。 多くの欠落モードベンチマークは、プールされたデータセットで観測された可用性パターンを表現できない完全な4つのモダリティケースとのコントラストを保って、不完全なMRIをシミュレートする。 このギャップに対処するために、被験者固有の欠落モード補完のためのWavelet-Fusion Diffusion Model (WFDM) の制御ネット拡張であるC-WFDMを導入する。 C-WFDMは157の公開MRIデータセットと45,880の事前処理スキャンからなる、以前のBrainScapeスナップショット上に構築されている。 WFDMバックボーンは、ターゲットモダリティとメタデータ条件を維持し、ターゲット固有のControlNetアダプタは、同じ参加者とMRIコントラストを使用して合成をガイドする。 C-WFDMはT1wからT2w、T1wおよびT2wからFLAIR、T1w、T2w、FLAIRからT1Gdを合成する。 取得された条件付きコントラストは利用可能時に使用され、生成された中間コントラストは必要時にのみ使用される。 C-WFDMとALDM,cWDM,Pix2Pixをペア構造類似度指数(SSIM)、ピーク信号-雑音比(PSNR)、平均絶対誤差(MAE)を用いて比較した。 BrainScape の完成実験において,C-WFDM は評価モデルの中で最高の T2w と FLAIR を達成し,SSIM の値は 0.9232 と 0.8904 である。

関連論文リスト

• dMRI-F: A Foundation Model for Generalizable Diffusion MRI Analysis from Sparse Acquisitions [36.14058318636162]
  拡散MRI(Diffusion MRI)は、脳内の水拡散をプローブし、組織微細構造と白色物質との接続に関するユニークな情報を提供する。 高品質のdMRIは、高度な正確な分析を可能にするが、密集した取得を必要とするため、長いスキャン時間とハードウェアの制約がしばしば実現不可能となる。 本稿では,dMRIデータエンハンスメントと下流タスクを多種多様な取得や集団にわたって統合する基盤モデルであるdMRI-Fを提案する。
  論文  参考訳（メタデータ） (2026-10-13T08:43:06Z)
• Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation [0.879504058268139]
  焦点性皮質異形成症(FCD)は薬剤抵抗性局所てんかんの原因の1つである。 深層学習に基づくFCDセグメンテーションへの異なるMRI表現の寄与は、いまだに理解されていない。 本稿では, nnU-Net フレームワークを用いた自動FCDセグメンテーションのためのMRI 表現のベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-07-17T03:56:59Z)
• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• SLaM-DiMM: Shared Latent Modeling for Diffusion Based Missing Modality Synthesis in MRI [0.0]
  脳MRIスキャンは、T1強調画像(T1ceとT1w)、T2強調画像(T2w)、Frairの4つのモードでしばしば見られる。 SLaM-DiMMは、拡散モデルのパワーを利用して、他の利用可能なモダリティから4つのMRIモダリティのいずれかを合成する新しいモダリティ生成フレームワークである。
  論文  参考訳（メタデータ） (2025-09-19T14:27:35Z)
• Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。