論文の概要: UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model

• arxiv url: http://arxiv.org/abs/2507.18362v1
• Date: Thu, 24 Jul 2025 12:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.630352
• Title: UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model
• Title（参考訳）: UniSegDiff:段階的拡散モデルによる統一病変分割の促進
• Authors: Yilong Hu, Shijie Chang, Lihe Zhang, Feng Tian, Weibing Sun, Huchuan Lu,
• Abstract要約: 病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 53.34835793648352
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The Diffusion Probabilistic Model (DPM) has demonstrated remarkable performance across a variety of generative tasks. The inherent randomness in diffusion models helps address issues such as blurring at the edges of medical images and labels, positioning Diffusion Probabilistic Models (DPMs) as a promising approach for lesion segmentation. However, we find that the current training and inference strategies of diffusion models result in an uneven distribution of attention across different timesteps, leading to longer training times and suboptimal solutions. To this end, we propose UniSegDiff, a novel diffusion model framework designed to address lesion segmentation in a unified manner across multiple modalities and organs. This framework introduces a staged training and inference approach, dynamically adjusting the prediction targets at different stages, forcing the model to maintain high attention across all timesteps, and achieves unified lesion segmentation through pre-training the feature extraction network for segmentation. We evaluate performance on six different organs across various imaging modalities. Comprehensive experimental results demonstrate that UniSegDiff significantly outperforms previous state-of-the-art (SOTA) approaches. The code is available at https://github.com/HUYILONG-Z/UniSegDiff.
• Abstract（参考訳）: Diffusion Probabilistic Model (DPM) は、様々な生成タスクにおいて顕著な性能を示した。 拡散モデルに固有のランダム性は、医療画像やラベルの端でぼやけたり、拡散確率モデル(DPM)を病変セグメンテーションの有望なアプローチとして位置づけたりといった問題に対処するのに役立つ。 しかし、拡散モデルの現在のトレーニングと推論戦略は、異なる時間ステップにまたがる注意の均一な分布をもたらし、長いトレーニング時間と準最適解をもたらすことが判明した。 この目的のために, 病変の分割を複数のモーダルや臓器にわたって統一的に扱うために設計された新しい拡散モデルフレームワークであるUniSegDiffを提案する。 本フレームワークでは,各段階の予測対象を動的に調整し,全段階にわたって高い注意を集中させ,特徴抽出ネットワークのセグメンテーションを事前学習することにより,統一的な病変セグメンテーションを実現する。 様々な画像モダリティの異なる6種類の臓器の性能評価を行った。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。 コードはhttps://github.com/HUYILONG-Z/UniSegDiffで公開されている。

関連論文リスト

• LEAF: Latent Diffusion with Efficient Encoder Distillation for Aligned Features in Medical Image Segmentation [2.529281336118734]
  本稿では,潜伏拡散モデルに基づく医療画像分割モデルLEAFを提案する。 微調整の過程では,元のノイズ予測パターンをセグメントマップの直接予測に置き換える。 また, コンボリューション層の隠れ状態と, 変圧器を用いた視覚エンコーダの特徴とを一致させるために, 特徴蒸留法を用いる。
  論文  参考訳（メタデータ） (2025-07-24T09:08:04Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
  拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。 マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。 我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-25T09:57:52Z)
• Analysing Diffusion Segmentation for Medical Images [2.387226161755373]
  医用画像の拡散分割が拡散画像生成とどう違うのかを批判的に分析し議論する。 また,拡散セグメンテーションアーキテクチャが直接セグメンテーションの訓練を行う際にどのように機能するかを評価する。
  論文  参考訳（メタデータ） (2024-03-21T14:45:54Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• Denoising Diffusion Semantic Segmentation with Mask Prior Modeling [61.73352242029671]
  本稿では,従来の識別的アプローチのセマンティックセグメンテーション品質を,デノナイズ拡散生成モデルでモデル化したマスクを用いて改善することを提案する。 市販セグメンタを用いた先行モデルの評価を行い,ADE20KとCityscapesの実験結果から,本手法が競争力のある定量的性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-02T17:47:01Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
  医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。 提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。 われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
  論文  参考訳（メタデータ） (2023-03-18T04:06:18Z)

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。