論文の概要: Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model

• arxiv url: http://arxiv.org/abs/2507.19201v1
• Date: Fri, 25 Jul 2025 12:10:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.946095
• Title: Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model
• Title（参考訳）: Gated Conditional Diffusion Modelによる関節ホロスティックおよび病変制御可能なマンモグラム合成
• Authors: Xin Li, Kaixiang Yang, Qiang Li, Zhiwei Wang,
• Abstract要約: Gated Conditional Diffusion Model (GCDM)は,マンモグラフィ画像と局所病変を共同で合成する新しいフレームワークである。 GCDMは、合成マンモグラムのリアリズムと多様性を高めながら、小さな病変領域を正確に制御する。
• 参考スコア（独自算出の注目度）: 12.360775476995169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mammography is the most commonly used imaging modality for breast cancer screening, driving an increasing demand for deep-learning techniques to support large-scale analysis. However, the development of accurate and robust methods is often limited by insufficient data availability and a lack of diversity in lesion characteristics. While generative models offer a promising solution for data synthesis, current approaches often fail to adequately emphasize lesion-specific features and their relationships with surrounding tissues. In this paper, we propose Gated Conditional Diffusion Model (GCDM), a novel framework designed to jointly synthesize holistic mammogram images and localized lesions. GCDM is built upon a latent denoising diffusion framework, where the noised latent image is concatenated with a soft mask embedding that represents breast, lesion, and their transitional regions, ensuring anatomical coherence between them during the denoising process. To further emphasize lesion-specific features, GCDM incorporates a gated conditioning branch that guides the denoising process by dynamically selecting and fusing the most relevant radiomic and geometric properties of lesions, effectively capturing their interplay. Experimental results demonstrate that GCDM achieves precise control over small lesion areas while enhancing the realism and diversity of synthesized mammograms. These advancements position GCDM as a promising tool for clinical applications in mammogram synthesis. Our code is available at https://github.com/lixinHUST/Gated-Conditional-Diffusion-Model/
• Abstract（参考訳）: マンモグラフィーは乳がん検診において最も一般的に用いられる画像モダリティであり、大規模な解析を支援するためのディープラーニング技術への需要が高まっている。 しかし、正確で堅牢な手法の開発は、データ可用性の不足と病変特性の多様性の欠如によって制限されることが多い。 生成モデルはデータ合成に有望な解決策を提供するが、現在のアプローチでは、病変特異的な特徴と周囲の組織との関係を適切に強調できないことが多い。 本稿では,全身性マンモグラフィ画像と局所性病変を共同で合成する新しいフレームワークであるGCDMを提案する。 GCDMは潜伏拡散フレームワーク上に構築されており、乳房、病変、その移行領域を表す柔らかいマスクを埋め込んだノイズ潜伏画像が結合され、脱落過程における解剖学的コヒーレンスを確保する。 病変特異的な特徴をさらに強調するため、GCDMは、病変の最も関連性の高い放射線学的特徴と幾何学的特性を動的に選択し、それらの相互作用を効果的に捉えることにより、変性過程を誘導するゲート条件分岐を組み込んでいる。 実験により,GCDMは合成マンモグラムのリアリズムと多様性を高めつつ,小さな病変領域を正確に制御できることが示された。 これらの進歩により、GCDMはマンモグラム合成における臨床応用の有望なツールとして位置づけられる。 私たちのコードはhttps://github.com/lixinHUST/Gated-Conditional-Diffusion-Model/で利用可能です。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• MAMBO: High-Resolution Generative Approach for Mammography Images [9.945691104397845]
  本報告では,MAMmography ensemBle mOdel (MAMBO)について述べる。 この設計により、MAMBOは最大3840×3840ピクセルの非常にリアルなマンモグラムを生成することができる。 数値および放射線学の検証を含む実験は、画像生成、超解像度、異常セグメンテーションにおけるMAMBOの能力を評価する。
  論文  参考訳（メタデータ） (2025-06-10T10:37:21Z)
• Ambient Denoising Diffusion Generative Adversarial Networks for Establishing Stochastic Object Models from Noisy Image Data [4.069144210024564]
  本稿では,ノイズの多い画像データから現実的なSOMを学習するための拡張DDGANアーキテクチャであるADDGANを提案する。 雑音の多い画像データから現実的なSOMを学習する能力を示す。
  論文  参考訳（メタデータ） (2025-01-31T12:40:43Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Cross-modality image synthesis from TOF-MRA to CTA using diffusion-based models [36.136619420474766]
  Computed Tomography Angiography (CTA) と Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) は2つの一般的な非侵襲的血管造影技術である。 そこで本研究では,TOF-MRA入力から合成CTA画像を生成するために,拡散に基づく画像から画像への変換モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-16T08:43:37Z)
• Temporal Evolution of Knee Osteoarthritis: A Diffusion-based Morphing Model for X-ray Medical Image Synthesis [6.014316825270666]
  患者の健康な膝と重度のKOAステージ間の中間X線画像の合成を目的とした新しい深層学習モデルを提案する。 テストフェーズでは,健常な膝X線に基づいて,KOAX線画像の連続的かつ効果的なシーケンスを生成することができる。 提案手法は拡散モジュールと変形モジュールを統合し,X線源画像とターゲット画像との空間的変形の詳細を抽出する。
  論文  参考訳（メタデータ） (2024-08-01T20:00:18Z)
• LeFusion: Controllable Pathology Synthesis via Lesion-Focused Diffusion Models [42.922303491557244]
  実際の臨床実践から得られた患者データは、しばしばデータ不足と長い尾の不均衡に悩まされる。 本研究では,病変のない画像から病変を含む画像分割ペアを生成することで,これらの課題に対処する。 レフュージョン生成データにより、最先端セグメンテーションモデルの性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-21T01:25:39Z)
• MAM-E: Mammographic synthetic image generation with diffusion models [0.21360081064127018]
  高品質のフルフィールドデジタルマンモグラフィー生成のための拡散モデルの利用について検討する。 テキストプロンプトによって制御される高品質マンモグラフィ合成のための生成モデルのパイプラインであるMAM-Eを紹介する。
  論文  参考訳（メタデータ） (2023-11-16T11:49:49Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。