論文の概要: Hierarchical Diffusion Framework for Pseudo-Healthy Brain MRI Inpainting with Enhanced 3D Consistency

• arxiv url: http://arxiv.org/abs/2507.17911v1
• Date: Wed, 23 Jul 2025 20:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.528409
• Title: Hierarchical Diffusion Framework for Pseudo-Healthy Brain MRI Inpainting with Enhanced 3D Consistency
• Title（参考訳）: 擬似健康脳MRIにおける3次元整合性向上のための階層的拡散フレームワーク
• Authors: Dou Hoon Kwark, Shirui Luo, Xiyue Zhu, Yudu Li, Zhi-Pei Liang, Volodymyr Kindratenko,
• Abstract要約: Pseudo-Healthy Image inpaintingは、病理脳MRIスキャンを解析するための重要な前処理ステップである。 現在の塗装法の多くは、平面内忠実度の高いスライス2Dモデルを好むが、スライス間の独立性はボリュームに不連続をもたらす。 直接3次元モデリングを2つの粗い2次元ステージに置き換えることで,これらの制約を階層的な拡散フレームワークで解決する。
• 参考スコア（独自算出の注目度）: 3.4844189568364348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pseudo-healthy image inpainting is an essential preprocessing step for analyzing pathological brain MRI scans. Most current inpainting methods favor slice-wise 2D models for their high in-plane fidelity, but their independence across slices produces discontinuities in the volume. Fully 3D models alleviate this issue, but their high model capacity demands extensive training data for reliable, high-fidelity synthesis -- often impractical in medical settings. We address these limitations with a hierarchical diffusion framework by replacing direct 3D modeling with two perpendicular coarse-to-fine 2D stages. An axial diffusion model first yields a coarse, globally consistent inpainting; a coronal diffusion model then refines anatomical details. By combining perpendicular spatial views with adaptive resampling, our method balances data efficiency and volumetric consistency. Our experiments show our approach outperforms state-of-the-art baselines in both realism and volumetric consistency, making it a promising solution for pseudo-healthy image inpainting. Code is available at https://github.com/dou0000/3dMRI-Consistent-Inpaint.
• Abstract（参考訳）: Pseudo-Healthy Image inpaintingは、病理脳MRIスキャンを解析するための重要な前処理ステップである。 現在の塗装法の多くは、平面内忠実度の高いスライス2Dモデルを好むが、スライス間の独立性はボリュームに不連続をもたらす。 完全な3Dモデルはこの問題を軽減するが、その高いモデル能力は信頼性の高い高忠実な合成のための広範なトレーニングデータを必要とする。 直接3次元モデリングを2つの垂直な粗い2次元ステージに置き換えることで,これらの制約を階層的な拡散フレームワークで解決する。 軸流拡散モデル(英語版)は、まず粗い、一様一貫した塗装を生じ、その後、コロナ拡散モデル(英語版)は解剖学的詳細を洗練する。 垂直空間ビューと適応再サンプリングを組み合わせることで,データ効率とボリューム一貫性のバランスをとる。 提案手法は, 現実主義とボリューム整合性の両方において, 最先端のベースラインよりも優れており, 疑似健康画像のインパインティングに有望な解である。 コードはhttps://github.com/dou0000/3dMRI-Consistent-Inpaintで入手できる。

関連論文リスト

• Introducing 3D Representation for Medical Image Volume-to-Volume Translation via Score Fusion [3.3559609260669303]
  Score-Fusionは、垂直に訓練された2次元拡散モデルをスコア関数空間に組み込むことで、3次元表現を効果的に学習する新しいボリューム変換モデルである。 Score-Fusionは,3次元医用画像の高分解能・モダリティ変換において,高い精度と容積忠実性が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-13T15:54:21Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• 3D-Consistent Image Inpainting with Diffusion Models [7.067145619709089]
  同一シーンに属する画像ペアを用いた生成モデルを提案する。 生成拡散モデルの変更は、シーンの別の視点をデノナイジングプロセスに組み込むことで行う。 提案手法を1つの実世界のデータセットと3つの実世界のデータセットで評価し, セマンティック・コヒーレントおよび3D一貫性のインペインティングを生成することを示す。
  論文  参考訳（メタデータ） (2024-12-08T10:07:07Z)
• Consistency^2: Consistent and Fast 3D Painting with Latent Consistency Models [29.818123424954294]
  ジェネレーティブ3Dペイントは、高解像度の3Dアセット管理とリサイクルにおいて、最大の生産性向上要因である。 課題に対するLCM(Latent Consistency Model)適応を提案する。 提案モデルの強みと弱みを分析し,定量的かつ質的に評価する。
  論文  参考訳（メタデータ） (2024-06-17T04:40:07Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D Brain MRI Synthesis [35.45013834475523]
  クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。 現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。 本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:01:09Z)
• ARTIC3D: Learning Robust Articulated 3D Shapes from Noisy Web Image Collections [71.46546520120162]
  単眼画像から動物体のような3D関節形状を推定することは、本質的に困難である。 本稿では,スパース画像コレクションから各物体の形状を再構築する自己教師型フレームワークARTIC3Dを提案する。 我々は、剛性部分変換の下で、描画された形状とテクスチャを微調整することで、現実的なアニメーションを作成する。
  論文  参考訳（メタデータ） (2023-06-07T17:47:50Z)
• Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
  本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
  論文  参考訳（メタデータ） (2023-03-15T08:28:06Z)
• DreamFusion: Text-to-3D using 2D Diffusion [52.52529213936283]
  テキストと画像の合成の最近の進歩は、何十億もの画像と画像のペアで訓練された拡散モデルによって引き起こされている。 本研究では,事前訓練された2次元テキスト・ツー・イメージ拡散モデルを用いてテキスト・ツー・3次元合成を行うことにより,これらの制約を回避する。 提案手法では,3次元トレーニングデータや画像拡散モデルの変更は必要とせず,事前訓練した画像拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-09-29T17:50:40Z)
• RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
  カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。 表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-05-14T05:35:35Z)

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。