論文の概要: Expert Validation of Synthetic Cervical Spine Radiographs Generated with a Denoising Diffusion Probabilistic Model

• arxiv url: http://arxiv.org/abs/2510.22166v1
• Date: Sat, 25 Oct 2025 05:25:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.897607
• Title: Expert Validation of Synthetic Cervical Spine Radiographs Generated with a Denoising Diffusion Probabilistic Model
• Title（参考訳）: Denoising Diffusion Probabilistic Model を用いた合成頚椎X線撮影の専門的検証
• Abstract要約: 頚椎X線CT(Cervical Spine X-ray Atlas)から4,963枚の画像で訓練した拡散確率モデル(DDPM)を用いて,現実的な頚椎X線画像を生成する。 専門家は、実画像と3つの合成画像を含む50の四重項をレビューし、実際の画像のレーティングリアリズムを4ポイントスケールで特定した。 以上の結果より, DDPM産生頚椎X線は, 臨床像と鑑別が困難であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6873565341012776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning in neurosurgery is limited by challenges in assembling large, high-quality imaging datasets. Synthetic data offers a scalable, privacy-preserving solution. We evaluated the feasibility of generating realistic lateral cervical spine radiographs using a denoising diffusion probabilistic model (DDPM) trained on 4,963 images from the Cervical Spine X-ray Atlas. Model performance was monitored via training/validation loss and Frechet inception distance, and synthetic image quality was assessed in a blinded "clinical Turing test" with six neuroradiologists and two spine-fellowship trained neurosurgeons. Experts reviewed 50 quartets containing one real and three synthetic images, identifying the real image and rating realism on a 4-point Likert scale. Experts correctly identified the real image in 29% of trials (Fleiss' kappa=0.061). Mean realism scores were comparable between real (3.323) and synthetic images (3.228, 3.258, and 3.320; p=0.383, 0.471, 1.000). Nearest-neighbor analysis found no evidence of memorization. We also provide a dataset of 20,063 synthetic radiographs. These results demonstrate that DDPM-generated cervical spine X-rays are statistically indistinguishable in realism and quality from real clinical images, offering a novel approach to creating large-scale neuroimaging datasets for ML applications in landmarking, segmentation, and classification.
• Abstract（参考訳）: 神経外科における機械学習は、大規模で高品質な画像データセットを組み立てる際の課題によって制限されている。 合成データはスケーラブルでプライバシ保護のソリューションを提供する。 頚椎X線CT(Cervical Spine X-ray Atlas)から4,963枚の画像で訓練した denoising diffusion probabilistic model (DDPM) を用いて, 現実的な頚椎X線撮影の可能性を検討した。 モデル性能はトレーニング/バリデーション損失とFrechet開始距離によって監視され、合成画像の品質は6人の神経放射線科医と2人のスピネル・フェローシップ訓練された神経外科医によるブラインドド・"クリニカル・チューリング・テスト"で評価された。 専門家は50の四重項に1つの実像と3つの合成画像が含まれており、実際の画像と4点のイコールトスケールでのレーティングリアリズムを特定した。 専門家は29%の試験で実像を正確に同定した(Fleiss' kappa=0.061)。 平均的リアリズムスコアは実 (3.323) と合成画像 (3.228, 3.258, 3.320; p=0.383, 0.471, 1.000) に匹敵する。 最寄りの分析では暗記の証拠は見つからなかった。 また、20,063個の合成ラジオグラフィーのデータセットも提供する。 以上の結果から, DDPM産生頚椎X線は実写と臨床画像の質において統計的に区別できないことが示され, ランドマーク, セグメンテーション, 分類におけるML応用のための大規模神経画像データセットを作成するための新しいアプローチが提案されている。

関連論文リスト

• Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
  本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。 RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。 我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
  論文  参考訳（メタデータ） (2025-09-11T06:15:52Z)
• PanoDiff-SR: Synthesizing Dental Panoramic Radiographs using Diffusion and Super-resolution [60.970656010712275]
  PanoDiff と Super-Resolution (SR) を組み合わせて合成歯科用パノラマ線写真(PR)を作製する手法を提案する。 前者は、SRモデルで処理されたPRの低分解能(LR)シードを生成し、1024×512の高分解能(HR)PRを生成する。 SRでは,局所的・言語的関係を学習し,よりシャープなエッジやテクスチャをもたらす最先端のトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:52:10Z)
• Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
  本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。 まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。 3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
  論文  参考訳（メタデータ） (2024-06-18T09:53:07Z)
• Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training [0.8287206589886881]
  我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。 得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T23:40:01Z)
• The Impact of Loss Functions and Scene Representations for 3D/2D Registration on Single-view Fluoroscopic X-ray Pose Estimation [1.758213853394712]
  我々はまずデジタル再構成ラジオグラフィー(DRR)の効率的な計算のための微分可能プロジェクションレンダリングフレームワークを開発する。 次に, 合成したDRRの画像差を, 地表面の蛍光X線画像に対して定量化する, 様々な候補損失関数を用いて, 反復降下によるポーズ推定を行う。 Mutual Information Loss を用いて,50 人の頭蓋骨の断層X線データを用いて行ったポーズ推定を総合的に評価した結果,DiffProj における識別 (CBCT) とニューラル (NeTT/mNeRF) のシーン表現のどちらを用いたかが示唆された。
  論文  参考訳（メタデータ） (2023-08-01T01:12:29Z)
• Bi-parametric prostate MR image synthesis using pathology and sequence-conditioned stable diffusion [3.290987481767681]
  テキストに条件付けされた多列前立腺MR画像のための画像合成機構を提案する。 我々は、ペア化されたデータに条件付けされた画像に条件付けされたペア化されたバイパラメトリック画像を生成する。 前立腺癌を疑う症例の2次元画像スライスを用いて本法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-03T17:24:39Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Medical Diffusion -- Denoising Diffusion Probabilistic Models for 3D Medical Image Generation [0.6486409713123691]
  拡散確率モデルが高品質な医用画像データを合成可能であることを示す。 本研究は,2人の医療専門家による読影研究を通じて,そのパフォーマンスを定量的に測定する。 自己教師付き事前訓練において合成画像が利用可能であることを示し,データ不足時の乳房分割モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2022-11-07T08:37:48Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)

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。