論文の概要: Ultrasound Image-to-Video Synthesis via Latent Dynamic Diffusion Models

• arxiv url: http://arxiv.org/abs/2503.14966v1
• Date: Wed, 19 Mar 2025 07:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:20.237645
• Title: Ultrasound Image-to-Video Synthesis via Latent Dynamic Diffusion Models
• Title（参考訳）: 潜時動的拡散モデルによる超音波画像合成
• Authors: Tingxiu Chen, Yilei Shi, Zixuan Zheng, Bingcong Yan, Jingliang Hu, Xiao Xiang Zhu, Lichao Mou,
• Abstract要約: そこで本研究では,超音波画像から可視性超音波映像を合成する手法を提案する。 BUSVベンチマークにおいて,強い定量的結果を示し,映像を視覚的にアピールする。 画像から映像へのアプローチは,超音波ビデオ解析の進歩に有効なデータ拡張ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 17.949823366019285
• License:
• Abstract: Ultrasound video classification enables automated diagnosis and has emerged as an important research area. However, publicly available ultrasound video datasets remain scarce, hindering progress in developing effective video classification models. We propose addressing this shortage by synthesizing plausible ultrasound videos from readily available, abundant ultrasound images. To this end, we introduce a latent dynamic diffusion model (LDDM) to efficiently translate static images to dynamic sequences with realistic video characteristics. We demonstrate strong quantitative results and visually appealing synthesized videos on the BUSV benchmark. Notably, training video classification models on combinations of real and LDDM-synthesized videos substantially improves performance over using real data alone, indicating our method successfully emulates dynamics critical for discrimination. Our image-to-video approach provides an effective data augmentation solution to advance ultrasound video analysis. Code is available at https://github.com/MedAITech/U_I2V.
• Abstract（参考訳）: 超音波映像分類は、自動診断を可能にし、重要な研究領域として登場した。 しかし、公開されている超音波ビデオデータセットは乏しいままであり、効果的なビデオ分類モデルの開発を妨げている。 そこで本稿では, 可利用で豊富な超音波画像から可利用な超音波映像を合成することで, この不足に対処することを提案する。 この目的のために,静的な画像をリアルな映像特性を持つ動的シーケンスに効率的に変換する潜在動的拡散モデル(LDDM)を提案する。 BUSVベンチマークにおいて,強い定量的結果を示し,映像を視覚的にアピールする。 特に、実データとLDDM合成ビデオの組み合わせによるビデオ分類モデルの訓練は、実データのみを用いた場合よりも性能を著しく向上させ、本手法は識別に重要なダイナミクスをうまくエミュレートすることを示す。 画像から映像へのアプローチは,超音波ビデオ解析の進歩に有効なデータ拡張ソリューションを提供する。 コードはhttps://github.com/MedAITech/U_I2Vで入手できる。

関連論文リスト

• SF-V: Single Forward Video Generation Model [57.292575082410785]
  そこで本稿では,単段階ビデオ生成モデルを得るための新しい手法を提案する。 実験により,提案手法は計算オーバーヘッドを大幅に低減した合成ビデオの競合生成品質を実現することを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:58:27Z)
• Diffusion Priors for Dynamic View Synthesis from Monocular Videos [59.42406064983643]
  ダイナミックノベルビュー合成は、ビデオ内の視覚的コンテンツの時間的進化を捉えることを目的としている。 まず、ビデオフレーム上に予め訓練されたRGB-D拡散モデルをカスタマイズ手法を用いて微調整する。 動的および静的なニューラルレイディアンス場を含む4次元表現に、微調整されたモデルから知識を蒸留する。
  論文  参考訳（メタデータ） (2024-01-10T23:26:41Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• Echocardiography video synthesis from end diastolic semantic map via diffusion model [0.0]
  本稿では,心臓ビデオ合成のために既存のビデオ拡散モデルを拡張し,課題に対処することを目的とする。 我々の焦点は、心循環中に初期フレームのセマンティックマップを用いてビデオを生成することであり、一般にエンドダイアストルと呼ばれる。 本モデルでは,FID,FVD,SSMIなどの複数の指標を用いて,標準拡散法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-11T02:08:05Z)
• OnUVS: Online Feature Decoupling Framework for High-Fidelity Ultrasound Video Synthesis [34.07625938756013]
  ソノグラフィーは、包括的な情報を集めるために対応する動的解剖構造を観察しなければならない。 アメリカのビデオの合成は、この問題に対する有望な解決策になるかもしれない。 我々は,高忠実度USビデオ合成のためのオンライン機能分離フレームワークOnUVSを提案する。
  論文  参考訳（メタデータ） (2023-08-16T10:16:50Z)
• Motion-Conditioned Diffusion Model for Controllable Video Synthesis [75.367816656045]
  本稿では,開始画像フレームと一組のストロークから映像を生成する条件拡散モデルであるMCDiffを紹介する。 MCDiffはストローク誘導制御可能なビデオ合成における最先端の視覚的品質を実現する。
  論文  参考訳（メタデータ） (2023-04-27T17:59:32Z)
• ViT-DAE: Transformer-driven Diffusion Autoencoder for Histopathology Image Analysis [4.724009208755395]
  高品質な病理画像合成のための視覚変換器(ViT)と拡散オートエンコーダを統合したViT-DAEを提案する。 提案手法は, 実写画像生成におけるGAN法とバニラDAE法より優れている。
  論文  参考訳（メタデータ） (2023-04-03T15:00:06Z)
• Feature-Conditioned Cascaded Video Diffusion Models for Precise Echocardiogram Synthesis [5.102090025931326]
  我々は、ビデオモデリングのための解明された拡散モデルを拡張し、単一の画像から可視なビデオシーケンスを生成する。 我々の画像からシーケンスへのアプローチは、最近提案されたシーケンスからシーケンス生成手法よりも38ポイント高い93%のR2$スコアを達成する。
  論文  参考訳（メタデータ） (2023-03-22T15:26:22Z)
• Weakly-supervised High-fidelity Ultrasound Video Synthesis with Feature Decoupling [13.161739586288704]
  臨床実践において、分析と診断は、動的解剖情報を得るために単一の画像ではなくアメリカのシーケンスに依存することが多い。 患者からの適切なビデオで練習することは、臨床的には実践的ではないため、初心者には学ぶことが難しい。 我々は,高忠実度US動画を合成するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:53:22Z)
• DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
  本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。 我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
  論文  参考訳（メタデータ） (2022-06-01T10:39:12Z)
• Dynamic View Synthesis from Dynamic Monocular Video [69.80425724448344]
  動的シーンの単眼映像を与えられた任意の視点と任意の入力時間ステップでビューを生成するアルゴリズムを提案する。 カジュアルな映像からの動的ビュー合成の定量的および定性的な結果を示す。
  論文  参考訳（メタデータ） (2021-05-13T17:59:50Z)

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。