Flow Matching を用いた条件付き MRI-CT および CBCT-CT イメージ合成

arXiv:2510.04823v2 Announce Type: replace 摘要：MRI や CBCT から合成 CT（sCT）を生成することは、MRI 単独治療および CBCT に基づく適応放射線治療を可能にし、治療精度を向上させながら患者への放射線被曝を減少させる点で決定的な役割を果たしています。この課題に対処するために、我々は最近の高品質画像生成における FM の効率性を示した研究に基づき、フル 3D Flow Matching（FM）フレームワークを採用しました。我々の手法では、軽量 3D エンコーダにより入力 MRI または CBCT から抽出された特徴量を条件として用い、学習された FM ベクトル場を統合することにより、高斯ノイズボリュームを sCT イメージに変換します。我々は SynthRAD2025 チャレンジのベンチマーカでこの方法の評価を行いました。MRI からの sCT と CBCT からの sCT、さらに腹部、頭部・頚部、胸部という 3 つの解剖学的領域に対して、個別のモデルをトレーニングしました。検証とテストはチャレンジの提出システムを通じて行われました。結果は、この手法が世界的な解剖学的構造を正確に再構築する能力を示唆していますが、詳細な特徴の保持は制限されており、これは主にメモリおよび実行時間制約によって引き起こされた比較的低いトレーニング解像度の結果です。今後の研究では、パッチベースのトレーニングと潜在空間のフローモデルを探索し、解像度と局所的な構造的適合度を改善することを目指します。

arXiv:2510.04823v2 Announce Type: replace Abstract: Generating synthetic CT (sCT) from MRI or CBCT plays a crucial role in enabling MRI-only and CBCT-based adaptive radiotherapy, improving treatment precision while reducing patient radiation exposure. To address this task, we adopt a fully 3D Flow Matching (FM) framework, motivated by recent work demonstrating FM's efficiency in producing high-quality images. In our approach, a Gaussian noise volume is transformed into an sCT image by integrating a learned FM velocity field, conditioned on features extracted from the input MRI or CBCT using a lightweight 3D encoder. We evaluated the method on the SynthRAD2025 Challenge benchmark, training separate models for MRI to sCT and CBCT to sCT across three anatomical regions: abdomen, head and neck, and thorax. Validation and testing were performed through the challenge submission system. The results indicate that the method accurately reconstructs global anatomical structures; however, preservation of fine details was limited, primarily due to the relatively low training resolution imposed by memory and runtime constraints. Future work will explore patch-based training and latent-space flow models to improve resolution and local structural fidelity.