論文の概要: Vessel2Brain: Edge-Aware Multi-Scale Flow Matching for 3D Brain Image Generation from Vessel Masks
- arxiv url: http://arxiv.org/abs/2611.17919v1
- Date: Fri, 13 Nov 2026 08:58:40 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:26:45.510839
- Title: Vessel2Brain: Edge-Aware Multi-Scale Flow Matching for 3D Brain Image Generation from Vessel Masks
- Title(参考訳): Vessel2Brain:3次元脳画像生成のためのエッジ対応マルチスケールフローマッチング
- Abstract要約: Vessel2Brainは、血管構造情報を生成プロセスに組み込む、エッジ対応のマルチスケール条件付きフローマッチングフレームワークである。
提案手法は, 復元精度, 構造整合性, 分散リアリズムの観点から, 常に最先端の生成モデルより優れる。
- 参考スコア(独自算出の注目度): 7.747054786896142
- License:
- Abstract: Generating realistic 3D brain MRI volumes from sparse anatomical priors is a highly ill-posed yet clinically valuable problem, with important applications in data augmentation, simulation, and downstream neuroimaging analysis. In this work, we investigate the challenging task of synthesising full 3D brain MRI volumes conditioned solely on vascular label maps. While vascular structures provide strong anatomical and topological cues, they occupy only a small fraction of the brain volume and offer no direct information about surrounding tissue appearance. To address this challenge, we propose Vessel2Brain, an edge-aware multi-scale conditional flow matching framework that explicitly incorporates vascular structure information into the generative process. Our approach formulates vessel-guided brain image synthesis as a conditional continuous flow, enabling stable training and flexible generation while preserving structural correspondence. A multi-scale flow matching strategy is introduced to jointly model global anatomical coherence and fine-grained local details, with auxiliary velocity predictions providing additional supervision across spatial resolutions. Furthermore, we design an edge-aware objective that emphasises vascular boundaries during training, encouraging anatomically faithful tissue synthesis around vessel structures. We evaluate Vessel2Brain on two public 3D brain MRI datasets with paired vascular annotations. Extensive quantitative and qualitative experiments demonstrate that our method consistently outperforms state-of-the-art generative models in terms of reconstruction accuracy, structural consistency, and distributional realism.
- Abstract(参考訳): スパース解剖学の先行研究から現実的な3D脳MRIボリュームを生成することは、データ増強、シミュレーション、下流の神経画像解析における重要な応用として、非常に不適切なが臨床的に価値のある問題である。
そこで本研究では,血管ラベルマップのみを条件とした3次元脳MRIボリュームの合成の課題について検討する。
血管構造は強力な解剖学的およびトポロジカルな手がかりを提供するが、脳の体積のごく一部しか占めておらず、周囲の組織の外観に関する直接的な情報を提供していない。
この課題に対処するために,血管構造情報を生成プロセスに明示的に組み込むエッジ対応のマルチスケール条件付きフローマッチングフレームワークであるVessel2Brainを提案する。
本手法は, 血管誘導型脳画像合成を条件付き連続流として定式化し, 構造的対応を維持しつつ, 安定した訓練と柔軟な生成を可能にする。
グローバルな解剖学的コヒーレンスと微粒な局所的詳細を共同でモデル化し,空間分解能を横断する付加的な速度予測を行うため,マルチスケールフローマッチング戦略を導入する。
さらに,訓練中の血管境界を重視し,血管構造周囲の解剖学的に忠実な組織合成を促進するエッジ・アウェア・ターゲットを設計した。
Vessel2Brainを2つのパブリック3次元脳MRIデータセットとペア血管アノテーションを用いて評価した。
大規模定量的および定性的実験により, 再現精度, 構造的整合性, 分布的リアリズムの観点から, この手法が常に最先端の生成モデルより優れていることが示された。
関連論文リスト
- AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。
本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。
AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
論文 参考訳(メタデータ) (2026-08-24T09:16:42Z) - ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
論文 参考訳(メタデータ) (2026-07-30T00:13:42Z) - VesselSim: learning 3D blood vessel segmentation without expert annotations [7.634402582162916]
ユニバーサル3D血管セグメンテーションのための2段階フレームワークである VesselSim を提案する。
3D U-Netは、合成データのみに基づいて訓練され、16,500の解剖学的に妥当な3D血管造影ボリュームを生成する。
VesselSimは最先端のセグメンテーション基盤モデルと競合するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2026-05-25T19:04:18Z) - Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。
軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
論文 参考訳(メタデータ) (2026-01-21T01:45:36Z) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳(メタデータ) (2025-10-25T15:40:07Z) - Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling [0.7722830505405722]
階層構造をフル活用する再帰変動ニューラルネットワーク(RvNN)を開発した。
RvNNは、ターゲット表面を記述する幾何学的特徴とともに、分岐接続を符号化する低次元多様体を学習する。
我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
論文 参考訳(メタデータ) (2025-06-17T18:47:27Z) - Building a Synthetic Vascular Model: Evaluation in an Intracranial Aneurysms Detection Scenario [0.8749675983608172]
このモデルは、脳動脈瘤を効率的に検出するために、3D畳み込みニューラルネットワークが使用できる脳動脈のデータセットを提供することを目的としている。
本研究では, 人工血管モデルを網羅的に記述し, 動脈瘤の分節と検出のために設計されたニューラルネットワークを構築し, 合成モデルデータの拡張により得られた性能ギャップの詳細な評価を行う。
論文 参考訳(メタデータ) (2024-11-04T18:08:24Z) - 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。
スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。
本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文 参考訳(メタデータ) (2024-05-17T11:23:33Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳(メタデータ) (2024-04-11T15:46:42Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z)
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。