論文の概要: Imagining Alternatives: Towards High-Resolution 3D Counterfactual Medical Image Generation via Language Guidance

• arxiv url: http://arxiv.org/abs/2509.05978v1
• Date: Sun, 07 Sep 2025 08:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.801225
• Title: Imagining Alternatives: Towards High-Resolution 3D Counterfactual Medical Image Generation via Language Guidance
• Title（参考訳）: Imagining Alternatives: To toward High-Resolution 3D Counterfactual Medical Image Generation through Language Guidance (特集 医療と医療)
• Authors: Mohamed Mohamed, Brennan Nichyporuk, Douglas L. Arnold, Tal Arbel,
• Abstract要約: フリーフォーム言語プロンプトによって誘導される高精細な3次元医療画像を生成することのできるフレームワークを提案する。 以上の結果から,3次元医用画像における急速進行解析の基礎となった。
• 参考スコア（独自算出の注目度）: 2.6516813733155407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models have demonstrated impressive capabilities in generating 2D images under various conditions; however the impressive performance of these models in 2D is largely enabled by extensive, readily available pretrained foundation models. Critically, comparable pretrained foundation models do not exist for 3D, significantly limiting progress in this domain. As a result, the potential of vision-language models to produce high-resolution 3D counterfactual medical images conditioned solely on natural language descriptions remains completely unexplored. Addressing this gap would enable powerful clinical and research applications, such as personalized counterfactual explanations, simulation of disease progression scenarios, and enhanced medical training by visualizing hypothetical medical conditions in realistic detail. Our work takes a meaningful step toward addressing this challenge by introducing a framework capable of generating high-resolution 3D counterfactual medical images of synthesized patients guided by free-form language prompts. We adapt state-of-the-art 3D diffusion models with enhancements from Simple Diffusion and incorporate augmented conditioning to improve text alignment and image quality. To our knowledge, this represents the first demonstration of a language-guided native-3D diffusion model applied specifically to neurological imaging data, where faithful three-dimensional modeling is essential to represent the brain's three-dimensional structure. Through results on two distinct neurological MRI datasets, our framework successfully simulates varying counterfactual lesion loads in Multiple Sclerosis (MS), and cognitive states in Alzheimer's disease, generating high-quality images while preserving subject fidelity in synthetically generated medical images. Our results lay the groundwork for prompt-driven disease progression analysis within 3D medical imaging.
• Abstract（参考訳）: 視覚言語モデルは、様々な条件下で2D画像を生成するという印象的な能力を示してきたが、これらのモデルの2Dでの印象的な性能は、広く、容易に訓練された基礎モデルによって主に有効である。 重要なことに、この領域の進歩を著しく制限する3Dモデルに対して、同等に事前訓練された基礎モデルが存在しない。 その結果、自然言語記述のみに照らした高精細な3次元対物医用画像を生成する視覚言語モデルの可能性は完全に解明されていない。 このギャップに対処することで、パーソナライズされた対物的説明、疾患進行シナリオのシミュレーション、仮説的医学的条件を現実的な詳細で可視化することで医療訓練の強化など、強力な臨床研究応用が可能になる。 本研究は、フリーフォーム言語プロンプトでガイドされた合成患者の高精細な3次元医療画像を生成することのできるフレームワークを導入することで、この問題に対処する上で有意義な一歩を踏み出した。 我々は,Simple Diffusionの強化による最先端の3D拡散モデルに適応し,テキストアライメントと画像品質を改善するために拡張条件を取り入れた。 我々の知る限り、これは脳の3次元構造を表現するために忠実な3次元モデリングが不可欠である、神経画像データに特化して適用される言語誘導ネイティブ3次元拡散モデルの最初の実演である。 2つの異なる神経学的MRIデータセットを用いて, 多発性硬化症 (MS) の各種病変負荷とアルツハイマー病の認知状態をシミュレートし, 合成医用画像の主観的忠実さを保ちながら高品質な画像を生成する。 以上の結果から,3次元医用画像における急速進行解析の基礎となった。

関連論文リスト

• Deep Generative Models for 3D Medical Image Synthesis [1.931185411277237]
  深部生成モデリングは、現実的な医療画像を合成するための強力なツールとして登場した。 本章では3次元医用画像合成のための様々な深部生成モデルについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:33:23Z)
• E3D-GPT: Enhanced 3D Visual Foundation for Medical Vision-Language Model [23.56751925900571]
  3次元医用視覚言語モデルの開発は、疾患の診断と患者の治療に有意な可能性を秘めている。 自己教師付き学習を用いて3次元視覚特徴抽出のための3次元視覚基盤モデルを構築した。 本研究では,3次元空間畳み込みを高精細画像の特徴の集約・投影に応用し,計算複雑性を低減した。 本モデルは,既存の報告生成法,視覚的質問応答法,疾患診断法と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-18T06:31:40Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• MediSyn: A Generalist Text-Guided Latent Diffusion Model For Diverse Medical Image Synthesis [4.541407789437896]
  MediSynは6つの専門医と10種類の画像から合成画像を生成することができるテキスト誘導潜在拡散モデルである。 合成画像と実画像との直接比較により,本モデルが新規画像の合成を行い,患者のプライバシを重要視する可能性が確認された。 本研究は,一般画像生成モデルが医学におけるアルゴリズム研究と開発を加速する大きな可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-05-16T04:28:44Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• IT3D: Improved Text-to-3D Generation with Explicit View Synthesis [71.68595192524843]
  本研究では、これらの問題に対処するために、明示的に合成されたマルチビュー画像を活用する新しい戦略を提案する。 我々のアプローチは、高画質画像を生成するために、LCDによって強化されたイメージ・ツー・イメージ・パイプラインを活用することである。 組込み判別器では、合成したマルチビュー画像は実データと見なされ、最適化された3Dモデルのレンダリングは偽データとして機能する。
  論文  参考訳（メタデータ） (2023-08-22T14:39:17Z)
• Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis [0.0]
  Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。 セマンティックコンディショニングを統合することで、データの不足とプライバシの問題に効果的に取り組む。 視覚的忠実度の高い多様なコヒーレントな画像を生成する。
  論文  参考訳（メタデータ） (2023-05-29T04:14:38Z)

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。