論文の概要: MammoRGB: Dual-View Mammogram Synthesis Using Denoising Diffusion Probabilistic Models

• arxiv url: http://arxiv.org/abs/2511.22759v1
• Date: Thu, 27 Nov 2025 21:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.708758
• Title: MammoRGB: Dual-View Mammogram Synthesis Using Denoising Diffusion Probabilistic Models
• Title（参考訳）: MammoRGB: Denoising Diffusion Probabilistic Modelを用いたデュアルビューマンモグラム合成
• Authors: Jorge Alberto Garza-Abdala, Gerardo A. Fumagal-González, Daly Avendano, Servando Cardona, Sadam Hussain, Eduardo de Avila-Armenta, Jasiel H. Toscano-Martínez, Diana S. M. Rosales Gurmendi, Alma A. Pedro-Pérez, Jose Gerardo Tamez-Pena,
• Abstract要約: 本研究の目的は, 単一乳房デュアルビューマンモグラムを合成するための3つのチャネル認知的確率モデル(DDPM)を開発し, 評価することである。
• 参考スコア（独自算出の注目度）: 0.3394351835510634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: This study aims to develop and evaluate a three channel denoising diffusion probabilistic model (DDPM) for synthesizing single breast dual view mammograms and to assess the impact of channel representations on image fidelity and cross view consistency. Materials and Methods: A pretrained three channel DDPM, sourced from Hugging Face, was fine tuned on a private dataset of 11020 screening mammograms to generate paired craniocaudal (CC) and mediolateral oblique (MLO) views. Three third channel encodings of the CC and MLO views were evaluated: sum, absolute difference, and zero channel. Each model produced 500 synthetic image pairs. Quantitative assessment involved breast mask segmentation using Intersection over Union (IoU) and Dice Similarity Coefficient (DSC), with distributional comparisons against 2500 real pairs using Earth Movers Distance (EMD) and Kolmogorov Smirnov (KS) tests. Qualitative evaluation included a visual Turing test by a non expert radiologist to assess cross view consistency and artifacts. Results: Synthetic mammograms showed IoU and DSC distributions comparable to real images, with EMD and KS values (0.020 and 0.077 respectively). Models using sum or absolute difference encodings outperformed others in IoU and DSC (p < 0.001), though distributions remained broadly similar. Generated CC and MLO views maintained cross view consistency, with 6 to 8 percent of synthetic images exhibiting artifacts consistent with those in the training data. Conclusion: Three channel DDPMs can generate realistic and anatomically consistent dual view mammograms with promising applications in dataset augmentation.
• Abstract（参考訳）: 目的: 本研究の目的は, 単一乳房デュアルビューマンモグラムを合成するための拡散確率モデル(DDPM)を開発し, 画像の忠実度と横断ビューの整合性に及ぼすチャネル表現の影響を評価することである。 材料と方法:Hugging Faceから得られた事前訓練された3つのDDPMは、マモグラムをスクリーニングする11020のプライベートデータセットで微調整され、対の頭蓋骨(CC)と中側斜視(MLO)のビューを生成した。 CCおよびMLOビューの3つの第3チャンネルエンコーディングの評価を行った。 各モデルは500枚の合成画像対を作成した。 IoU (Intersection over Union) とDice similarity Coefficient (DSC) を用いた乳腺マスクのセグメンテーションの定量的評価を行い、地球移動距離 (EMD) とコルモゴロフ・スミルノフ (KS) による2500個の実対との比較を行った。 質的な評価には、クロスビューの一貫性とアーティファクトを評価するために、専門家でない放射線学者による視覚的チューリングテストが含まれていた。 結果: 合成マンモグラムでは実像に匹敵するIoUとDSCの分布を示し, EMDとKSの値は0.020と0.077であった。 和や絶対差符号を用いたモデルはIoUやDSC(p < 0.001)よりも優れていたが、分布は広く類似していた。 生成したCCおよびMLOビューは、トレーニングデータと整合したアーティファクトを示す合成画像の6～8%を、クロスビューの一貫性を維持した。 結論: 3つのチャンネルDDPMは、データセット拡張における有望な応用とともに、現実的で解剖学的に一貫したデュアルビューマンモグラムを生成することができる。

関連論文リスト

• Deep Generative Models for Enhanced Vitreous OCT Imaging [0.7130302992490973]
  条件付き拡散確率モデル(cDDPM)、ブラウン橋拡散モデル(BBDM)、U-Net、Pix2Pix、Vector-Quantized Generative Adversarial Network(VQ-GAN)を評価した。
  論文  参考訳（メタデータ） (2025-11-02T10:36:59Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• 3D Nephrographic Image Synthesis in CT Urography with the Diffusion Model and Swin Transformer [3.8557197729550485]
  提案手法は,高品質な3次元腎画像の合成を効果的に行う。 画像の品質を損なうことなく、CTUの放射線線量を33.3%削減することができる。
  論文  参考訳（メタデータ） (2025-02-26T23:22:31Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• 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)
• Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging [0.6597195879147557]
  T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。 拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T19:41:21Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
  ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2023-05-21T09:21:41Z)
• Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
  医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。 提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。 われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
  論文  参考訳（メタデータ） (2023-03-18T04:06:18Z)
• Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
  本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。 N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。 この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
  論文  参考訳（メタデータ） (2021-04-06T06:30:15Z)
• Deep Multi-path Network Integrating Incomplete Biomarker and Chest CT Data for Evaluating Lung Cancer Risk [4.822738153096615]
  マルチパスマルチモーダル欠落ネットワーク(M3Net)と呼ばれる新しいネットワーク設計を提案する。 マルチモーダルデータ(CDE、バイオマーカー、CT画像など)を統合することで、マルチパスニューラルネットワークによるモダリティの欠如を考慮できる。 ネットワークは、医療画像の特徴とCDE/バイオマーカーの両方でエンドツーエンドにトレーニングしたり、単一のモダリティで予測することができる。
  論文  参考訳（メタデータ） (2020-10-19T13:55:40Z)

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。