論文の概要: Spatially and Compositionally Controlled Multimodal Glioblastoma MRI Synthesis with Latent Diffusion

• arxiv url: http://arxiv.org/abs/2611.06540v1
• Date: Wed, 04 Nov 2026 14:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.128417
• Title: Spatially and Compositionally Controlled Multimodal Glioblastoma MRI Synthesis with Latent Diffusion
• Title（参考訳）: 局所的および組成的に制御された多形型グリオーマMRI合成 : 潜時拡散
• Abstract要約: そこで我々は,2D glioblastoma MRI スキャンのための2段階潜伏拡散モデル (LDM) フレームワークを提案する。 ControlNetを用いたモード条件LDMは、要求されたセグメンテーションに付着したT1、T1Gd、T2、FLAIR画像を生成する。 ホールドアウトテストセットでは、生成されたセグメンテーションは平均セントロイド誤差0.842ピクセル、サブリージョン比誤差0.795ポイントを達成した。
• 参考スコア（独自算出の注目度）: 1.3910087553669301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glioblastoma exhibits substantial heterogeneity in tumour morphology and composition across MRI modalities, often making available clinical datasets highly unbalanced in terms of patient pathologies. We propose a two-stage latent diffusion model (LDM) framework for the generation of explicitly controllable 2D glioblastoma MRI scans. First, a segmentation LDM generates tumour maps conditioned on location, spatial extent, axial position, and subregion composition. Second, a modality-conditioned LDM with ControlNet generates T1, T1Gd, T2, and FLAIR images adhering to the requested segmentation. On a held-out test set, generated segmentations achieved a mean centroid error of 0.842 pixels and a subregion proportion error of 0.795 percentage points. ControlNet improved Fréchet inception distance (FID) across all four modalities, reducing pooled FID from 42.59 to 36.12. An expert reader study yielded mean quality ratings of 6.60 for real images, 6.83 for ControlNet-generated images, and 6.77 for fully synthetic images.
• Abstract（参考訳）: グリオブラスト腫は腫瘍の形態やMRI像の組成にかなりの異質性を示しており、しばしば患者病理の点では臨床データセットが高度に不整合している。 そこで我々は,2D glioblastoma MRI スキャンのための2段階潜伏拡散モデル (LDM) フレームワークを提案する。 まず、セグメンテーションLDMは、位置、空間範囲、軸位置、及びサブリージョン構成に条件付けられた腫瘍マップを生成する。 第2に、制御ネット付きモード条件LDMは、要求されたセグメンテーションに付着したT1、T1Gd、T2、FLAIR画像を生成する。 ホールドアウトテストセットでは、生成されたセグメンテーションは平均セントロイド誤差0.842ピクセル、サブリージョン比誤差0.795ポイントを達成した。 ControlNetはFréchet開始距離(FID)を4つのモードで改善し、プールされたFIDを42.59から36.12に削減した。 専門家の読者による研究では、実際の画像は6.60、コントロールネット生成画像は6.83、完全合成画像は6.77と評価された。

関連論文リスト

• 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)
• 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)
• MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI [0.0]
  神経線維腫症1型(英: Neurofibromatosis type 1)は、多くの神経線維腫(NF)が全身に発達するのを特徴とする遺伝疾患である。 本研究では,この課題に合わせた対話型セグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-23T17:42:24Z)
• Improved mmFormer for Liver Fibrosis Staging via Missing-Modality Compensation [8.687370165870613]
  本稿では,mmFormerアーキテクチャをベースとしたマルチモーダルMRI分類モデルを提案する。 本手法は,Real-world 医療画像の総合解析・計算テストセット(CARE 2025 Challenge)に基づいて評価する。 In-distribution vendors におけるCirrhosis Detection と Substantial Fibrosis Detection では,66.67% と74.17% の精度を示し,AUC では 71.73% と68.48% の精度を示した。
  論文  参考訳（メタデータ） (2025-09-19T21:31:05Z)
• seg2med: a bridge from artificial anatomy to multimodal medical images [5.92914320764123]
  seg2medは解剖学駆動型マルチモーダル医用画像合成のためのフレームワークである。 解剖学的マップは、実際の患者データ、XCATデジタルファントム、および複数の患者の臓器を組み合わせた合成解剖の3つの源から独立に派生している。 このフレームワークは、実データと比較して、CTで0.94、MRで0.89、CTで0.78のSSIMを実現する。
  論文  参考訳（メタデータ） (2025-04-12T11:32:32Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• PSIGAN: Joint probabilistic segmentation and image distribution matching for unpaired cross-modality adaptation based MRI segmentation [4.573421102994323]
  我々は、新しい関節確率分割と画像分布マッチング生成対向ネットワーク(PSIGAN)を開発した。 我々のUDAアプローチは、画像とセグメント間の共依存性を共同確率分布としてモデル化する。 T1wは0.87,T2wは0.90であった。
  論文  参考訳（メタデータ） (2020-07-18T16:23:02Z)
• 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。