論文の概要: FOD-Diff: 3D Multi-Channel Patch Diffusion Model for Fiber Orientation Distribution

• arxiv url: http://arxiv.org/abs/2512.16075v1
• Date: Thu, 18 Dec 2025 01:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.872015
• Title: FOD-Diff: 3D Multi-Channel Patch Diffusion Model for Fiber Orientation Distribution
• Title（参考訳）: FOD-Diff:繊維配向分布のための3次元マルチチャネルパッチ拡散モデル
• Authors: Hao Tang, Hanyu Liu, Alessandro Perelli, Xi Chen, Chao Li,
• Abstract要約: 単殻低角分解能dMRI(LAR-FOD)からFODを推定するのに対し、多殻高角分解能dMRI(HAR-FOD)からFODを推定するには長い走査時間が必要である。 LAR-FODからHAR-FODを予測するための3次元マルチチャネルパッチ拡散モデルを提案する。 提案手法は,HAR-FOD予測における最高の性能を達成し,他の最先端手法よりも優れる。
• 参考スコア（独自算出の注目度）: 48.932538822216436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI (dMRI) is a critical non-invasive technique to estimate fiber orientation distribution (FOD) for characterizing white matter integrity. Estimating FOD from single-shell low angular resolution dMRI (LAR-FOD) is limited by accuracy, whereas estimating FOD from multi-shell high angular resolution dMRI (HAR-FOD) requires a long scanning time, which limits its applicability. Diffusion models have shown promise in estimating HAR-FOD based on LAR-FOD. However, using diffusion models to efficiently generate HAR-FOD is challenging due to the large number of spherical harmonic (SH) coefficients in FOD. Here, we propose a 3D multi-channel patch diffusion model to predict HAR-FOD from LAR-FOD. We design the FOD-patch adapter by introducing the prior brain anatomy for more efficient patch-based learning. Furthermore, we introduce a voxel-level conditional coordinating module to enhance the global understanding of the model. We design the SH attention module to effectively learn the complex correlations of the SH coefficients. Our experimental results show that our method achieves the best performance in HAR-FOD prediction and outperforms other state-of-the-art methods.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI、dMRI)は、白質の整合性を特徴付けるために、繊維配向分布(FOD)を推定する重要な非侵襲的手法である。 単殻低角分解能dMRI(LAR-FOD)からFODを推定することは精度によって制限されるが、多殻高角分解能dMRI(HAR-FOD)からFODを推定するには長い走査時間が必要であり、適用性が制限される。 拡散モデルはAR-FODに基づくHAR-FODの推定において有望であることを示す。 しかし, 拡散モデルを用いてHAR-FODを効率的に生成することは困難である。 本稿では,LAR-FODからHAR-FODを予測するための3次元マルチチャネルパッチ拡散モデルを提案する。 我々は、より効率的なパッチベースの学習のために、以前の脳解剖学を導入してFODパッチアダプタを設計する。 さらに,このモデルのグローバルな理解を高めるために,ボクセルレベルの条件調整モジュールを導入する。 SH係数の複雑な相関を効果的に学習するためにSHアテンションモジュールを設計する。 実験の結果,提案手法はHAR-FOD予測において最高の性能を示し,他の最先端手法よりも優れていた。

関連論文リスト

• Information Theoretic Learning for Diffusion Models with Warm Start [8.455757095201314]
  雑音駆動モデルに対してより厳密な確率境界が導出され、最大確率学習の精度と効率が向上する。 我々の重要な洞察は、古典的なKL分散フィッシャー情報関係を任意のノイズ摂動に拡張する。 拡散過程をガウスチャネルとして扱うことにより,提案した対象上界が負対数類似度(NLL)であることを示す。
  論文  参考訳（メタデータ） (2025-10-23T18:00:59Z)
• FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields [1.5749416770494706]
  FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。 既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
  論文  参考訳（メタデータ） (2025-10-05T19:10:38Z)
• Diffusion Model-based FOD Restoration from High Distortion in dMRI [4.77407121905745]
  感受性によって引き起こされるdMRIの歪みなどのイメージングアーティファクトは、信号損失を引き起こす。 拡散モデルのような生成モデルは、様々な画像復元タスクにうまく適用されている。 歪みアーチファクトによる信号損失を回復できる新しいFOD復元モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:41:29Z)
• Memory-Efficient Fine-Tuning for Quantized Diffusion Model [12.875837358532422]
  本稿では,量子化拡散モデルのためのメモリ効率の良い微調整手法であるTuneQDMを紹介する。 提案手法は, 単目的/多目的の両方の世代において, ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-01-09T03:42:08Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• 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)

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。