論文の概要: Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models

• arxiv url: http://arxiv.org/abs/2508.07903v1
• Date: Mon, 11 Aug 2025 12:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.084944
• Title: Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models
• Title（参考訳）: ブラインドスポットの拡散:拡散モデルを用いた尿中MRI合成
• Authors: Johanna P. Müller, Anika Knupfer, Pedro Blöss, Edoardo Berardi Vittur, Bernhard Kainz, Jana Hutter,
• Abstract要約: 子宮MRI合成のための新しい拡散型フレームワークを提案する。 本手法は, 解剖学的に整合した高忠実な合成画像を生成し, 実際のスキャンを忠実に再現する。 ブラインドド・エキスパートによる評価は,我々の合成画像の臨床的現実性を評価する。
• 参考スコア（独自算出の注目度）: 5.405060834788189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite significant progress in generative modelling, existing diffusion models often struggle to produce anatomically precise female pelvic images, limiting their application in gynaecological imaging, where data scarcity and patient privacy concerns are critical. To overcome these barriers, we introduce a novel diffusion-based framework for uterine MRI synthesis, integrating both unconditional and conditioned Denoising Diffusion Probabilistic Models (DDPMs) and Latent Diffusion Models (LDMs) in 2D and 3D. Our approach generates anatomically coherent, high fidelity synthetic images that closely mimic real scans and provide valuable resources for training robust diagnostic models. We evaluate generative quality using advanced perceptual and distributional metrics, benchmarking against standard reconstruction methods, and demonstrate substantial gains in diagnostic accuracy on a key classification task. A blinded expert evaluation further validates the clinical realism of our synthetic images. We release our models with privacy safeguards and a comprehensive synthetic uterine MRI dataset to support reproducible research and advance equitable AI in gynaecology.
• Abstract（参考訳）: 生成的モデリングの大幅な進歩にもかかわらず、既存の拡散モデルは解剖学的に正確な女性の骨盤画像の作成に苦慮し、データ不足や患者のプライバシーに関する懸念が重要となるジャイナエコ画像への応用を制限する。 これらの障壁を克服するために,無条件および条件付き脱臭拡散確率モデル (DDPM) と潜在拡散モデル (LDM) を2次元および3次元で統合した新しい拡散型MRI合成フレームワークを導入する。 本手法は,解剖学的に整合した高忠実な合成画像を生成し,実際のスキャンを忠実に再現し,ロバスト診断モデルのトレーニングに有用な資源を提供する。 我々は,先進的な知覚的・分布的指標を用いて生成品質を評価し,標準的な再構成手法に対するベンチマークを行い,重要な分類課題における診断精度の大幅な向上を実証した。 ブラインドドエキスパートによる評価は,我々の合成画像の臨床的リアリズムをさらに検証する。 我々は、プライバシ保護と、再現可能な研究を支援し、ジナエコロジーにおける同等のAIを前進させるために、包括的な合成子宮MRIデータセットをリリースした。

関連論文リスト

• Perceptual Evaluation of GANs and Diffusion Models for Generating X-rays [0.7578439720012189]
  生成画像モデルは、自然画像と医療画像の両方において顕著な進歩を遂げている。 4つの異常を条件に胸部X線を合成するための最先端生成モデル-GAN(Generative Adversarial Networks)と拡散モデル(Diffusion Models)の有効性を評価する。
  論文  参考訳（メタデータ） (2025-08-10T00:32:18Z)
• Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
  そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。 提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
  論文  参考訳（メタデータ） (2025-08-08T09:55:54Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Diffusion Models for conditional MRI generation [0.0]
  脳磁気共鳴画像(MRI)生成のための潜時拡散モデル(LDM)を提案する。 生成画像の品質を評価するために、Fr'echet Inception Distance(FID)とMulti-Scale Structure similarity Index(MS-SSIM)のメトリクスを使用した。
  論文  参考訳（メタデータ） (2025-02-25T20:08:29Z)
• 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)
• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images [32.99597899937902]
  医用画像における異常検出は、様々な画像モダリティにおける病理領域の同定において重要な役割を担っている。 本研究では,合成ノイズ関数と多段階拡散過程を組み込んだ拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 脳MRI,肝CT,頸動脈USデータセットに対する提案手法の検証を行った。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Knowledge-based in silico models and dataset for the comparative evaluation of mammography AI for a range of breast characteristics, lesion conspicuities and doses [2.9362519537872647]
  M-SYNTH(M-SYNTH)は乳腺線維腺の密度分布の異なるコホートのデータセットである。 その結果,乳房密度の増加とともにモデル性能が低下し,体重密度が増大することがわかった。 曝露レベルが低下すると、AIモデルの性能は、乳房型に推奨される推奨投与量よりも低い被曝レベルで達成された最高性能で低下する。
  論文  参考訳（メタデータ） (2023-10-27T21:14:30Z)
• 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)

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。