論文の概要: Generating healthy counterfactuals with denoising diffusion bridge models

• arxiv url: http://arxiv.org/abs/2510.13684v1
• Date: Wed, 15 Oct 2025 15:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.745459
• Title: Generating healthy counterfactuals with denoising diffusion bridge models
• Title（参考訳）: 拡散ブリッジモデルによる健全な反事実の生成
• Authors: Ana Lawry Aguila, Peirong Liu, Marina Crespo Aguirre, Juan Eugenio Iglesias,
• Abstract要約: 拡散確率モデル(DDPM)は、病理データの健全な反事実を生成するための一般的な手法となっている。 拡散ブリッジモデル(DDBM)の新しい応用法を提案する。 我々のDDBMは,従来提案されていた拡散モデルと,セグメンテーションおよび異常検出タスクにおける完全教師付きアプローチより優れていた。
• 参考スコア（独自算出の注目度）: 9.788637508976043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating healthy counterfactuals from pathological images holds significant promise in medical imaging, e.g., in anomaly detection or for application of analysis tools that are designed for healthy scans. These counterfactuals should represent what a patient's scan would plausibly look like in the absence of pathology, preserving individual anatomical characteristics while modifying only the pathological regions. Denoising diffusion probabilistic models (DDPMs) have become popular methods for generating healthy counterfactuals of pathology data. Typically, this involves training on solely healthy data with the assumption that a partial denoising process will be unable to model disease regions and will instead reconstruct a closely matched healthy counterpart. More recent methods have incorporated synthetic pathological images to better guide the diffusion process. However, it remains challenging to guide the generative process in a way that effectively balances the removal of anomalies with the retention of subject-specific features. To solve this problem, we propose a novel application of denoising diffusion bridge models (DDBMs) - which, unlike DDPMs, condition the diffusion process not only on the initial point (i.e., the healthy image), but also on the final point (i.e., a corresponding synthetically generated pathological image). Treating the pathological image as a structurally informative prior enables us to generate counterfactuals that closely match the patient's anatomy while selectively removing pathology. The results show that our DDBM outperforms previously proposed diffusion models and fully supervised approaches at segmentation and anomaly detection tasks.
• Abstract（参考訳）: 病理画像から健康なカウンターファクトを生成することは、例えば異常検出や健康なスキャン用に設計された分析ツールの適用において、医療画像において大きな可能性を秘めている。 これらの対策は、病理領域のみを改変しながら、個々の解剖学的特徴を保ちながら、患者のスキャンが病理疾患の欠如においてどのように見えるかを示すべきである。 拡散確率モデル(DDPM)は、病理データの健全な反事実を生成するための一般的な手法となっている。 通常、これは、部分的な認知過程が病気の領域をモデル化できず、より密に整合した健康な領域を再構築する、という仮定で、健康なデータのみをトレーニングすることを含む。 近年の手法では, 拡散過程をより良く導くために, 合成病理像が組み込まれている。 しかし、異常の除去と主観的特徴の保持を効果的にバランスさせる方法で、生成過程を導くことは依然として困難である。 DDPMとは異なり、拡散過程を初期点(すなわち、健全な画像)だけでなく最終点(すなわち、対応する合成的に生成された病理像)にも条件付ける。 病理像を構造的情報的先行として扱うことにより,患者の解剖学的に密接な対応を図り,病理を選択的に除去することができる。 その結果, DDBMは従来提案されていた拡散モデルと, セグメンテーションおよび異常検出タスクにおける完全教師付きアプローチより優れていた。

関連論文リスト

• Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization [4.570902159763305]
  脳MRIにおける異常検出と正常画像再構成のための新しい条件拡散モデルフレームワークを提案する。 我々の弱教師付きアプローチは、合成された擬似病理像をモデリングプロセスに統合し、健康な画像の再構築をより良く指導する。 我々は,ATLASデータセットから合成異常データセットと実病態の両方を用いて,本モデルの病理診断能力を評価する。
  論文  参考訳（メタデータ） (2025-06-11T23:27:00Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• 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)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)

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。