論文の概要: MedCondDiff: Lightweight, Robust, Semantically Guided Diffusion for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.00350v1
• Date: Sat, 29 Nov 2025 06:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.187431
• Title: MedCondDiff: Lightweight, Robust, Semantically Guided Diffusion for Medical Image Segmentation
• Title（参考訳）: MedCondDiff:医療画像分割のための軽量でロバストでセマンティックな誘導拡散
• Authors: Ruirui Huang, Jiacheng Li,
• Abstract要約: 医用画像セグメンテーションのための拡散型フレームワークであるMedCondDiffを紹介する。 モデルでは、ピラミッドビジョントランスフォーマー(PVT)バックボーンから抽出されたセマンティックプリエントをデノナイズ処理する。 この設計は、推論時間とVRAM使用量の両方を削減しながら、堅牢性を改善する。
• 参考スコア（独自算出の注目度）: 5.838464931565891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce MedCondDiff, a diffusion-based framework for multi-organ medical image segmentation that is efficient and anatomically grounded. The model conditions the denoising process on semantic priors extracted by a Pyramid Vision Transformer (PVT) backbone, yielding a semantically guided and lightweight diffusion architecture. This design improves robustness while reducing both inference time and VRAM usage compared to conventional diffusion models. Experiments on multi-organ, multi-modality datasets demonstrate that MedCondDiff delivers competitive performance across anatomical regions and imaging modalities, underscoring the potential of semantically guided diffusion models as an effective class of architectures for medical imaging tasks.
• Abstract（参考訳）: 我々はMedCondDiffを紹介した。MedCondDiffは多臓器画像分割のための拡散ベースのフレームワークで、効率的で解剖学的に基礎を置いている。 このモデルでは、ピラミッド・ビジョン・トランスフォーマー (PVT) のバックボーンから抽出されたセマンティック・プリエンス(セマンティック・プリエント)のデノライズ・プロセスが条件付けられ、セマンティック・ガイド付き軽量な拡散アーキテクチャが生成される。 この設計は、従来の拡散モデルと比較して、推論時間とVRAM使用率の両方を低減しつつ、ロバスト性を向上させる。 MedCondDiffが解剖学的領域をまたいだ競争性能と画像モダリティを実現し、医用画像タスクの効果的なアーキテクチャとしてのセマンティックガイド付き拡散モデルの可能性を実証した。

関連論文リスト

• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• 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)
• MedDiff-FM: A Diffusion-based Foundation Model for Versatile Medical Image Applications [10.321593505248341]
  本稿では,MedDiff-FMという,様々な医療画像課題に対処するための拡散基盤モデルを提案する。 MedDiff-FMは頭部から腹部まで解剖学的領域をカバーする3次元CT画像を利用して拡散基盤モデルの事前訓練を行う。 MedDiff-FMが下流の様々な医療画像タスクに有効であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-10-20T16:03:55Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
  一般医用画像分類のための拡散モデル(DiffMIC)を提案する。 実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-19T09:15:45Z)
• 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)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)

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。