論文の概要: PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion

• arxiv url: http://arxiv.org/abs/2512.23130v1
• Date: Mon, 29 Dec 2025 01:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.369309
• Title: PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion
• Title（参考訳）: PathoSyn : 遠方偏差拡散によるMRI合成
• Authors: Jian Wang, Sixing Rong, Jiarui Xing, Yuling Xu, Weide Liu,
• Abstract要約: 磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 11.223559964746705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present PathoSyn, a unified generative framework for Magnetic Resonance Imaging (MRI) image synthesis that reformulates imaging-pathology as a disentangled additive deviation on a stable anatomical manifold. Current generative models typically operate in the global pixel domain or rely on binary masks, these paradigms often suffer from feature entanglement, leading to corrupted anatomical substrates or structural discontinuities. PathoSyn addresses these limitations by decomposing the synthesis task into deterministic anatomical reconstruction and stochastic deviation modeling. Central to our framework is a Deviation-Space Diffusion Model designed to learn the conditional distribution of pathological residuals, thereby capturing localized intensity variations while preserving global structural integrity by construction. To ensure spatial coherence, the diffusion process is coupled with a seam-aware fusion strategy and an inference-time stabilization module, which collectively suppress boundary artifacts and produce high-fidelity internal lesion heterogeneity. PathoSyn provides a mathematically principled pipeline for generating high-fidelity patient-specific synthetic datasets, facilitating the development of robust diagnostic algorithms in low-data regimes. By allowing interpretable counterfactual disease progression modeling, the framework supports precision intervention planning and provides a controlled environment for benchmarking clinical decision-support systems. Quantitative and qualitative evaluations on tumor imaging benchmarks demonstrate that PathoSyn significantly outperforms holistic diffusion and mask-conditioned baselines in both perceptual realism and anatomical fidelity. The source code of this work will be made publicly available.
• Abstract（参考訳）: PathoSynはMRI画像合成のための統合的生成フレームワークであり, 安定な解剖学的多様体上の不整合加法偏差として画像病理を再構成する。 現在の生成モデルは、通常、グローバルピクセル領域で機能するか、バイナリマスクに依存するが、これらのパラダイムはしばしば特徴の絡み合いに悩まされ、崩壊した解剖学的基質や構造的不連続をもたらす。 PathoSynはこれらの制限に対処し、合成タスクを決定論的解剖学的再構成と確率的偏差モデリングに分解する。 本フレームワークの中心となるのは, 組織的残差の条件分布を学習し, 局所的な強度変化を把握し, 構造的整合性を維持した離間空間拡散モデルである。 空間コヒーレンスを確保するため、拡散過程はシーム認識融合戦略と推論時安定化モジュールとを結合し、境界アーティファクトを集合的に抑制し、高忠実性内部病変の不均一性を生成する。 PathoSynは、高忠実度患者固有の合成データセットを生成するための数学的に原則化されたパイプラインを提供する。 このフレームワークは、解釈可能な対事的疾患進行モデリングを可能にすることにより、精密介入計画をサポートし、臨床意思決定支援システムをベンチマークするための制御環境を提供する。 腫瘍イメージングベンチマークの定量的および質的評価は、PathoSynが知覚的リアリズムと解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回っていることを示している。 この作業のソースコードは公開されます。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Unrolled Networks are Conditional Probability Flows in MRI Reconstruction [13.185194525641478]
  本稿では,条件付き確率フローODEの個別実装であるアンロールネットワークを理論的に証明し,MRI再構成にフローODEを導入する。 この接続はパラメータの明示的な定式化を提供し、中間状態がどのように進化するかを明確にする。 本研究では、未学習パラメータをODE離散化から導出し、中間再構成を理想的なODE軌道と整合させて安定性と収束性を向上させるフローアラインドトレーニング(FLAT)を提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:48:10Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models [7.262119921589195]
  子宮MRI合成のための新しい拡散型フレームワークを提案する。 本手法は, 解剖学的に整合した高忠実な合成画像を生成し, 実際のスキャンを忠実に再現する。 ブラインドド・エキスパートによる評価は,我々の合成画像の臨床的現実性を評価する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:23Z)
• 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)
• LeFusion: Controllable Pathology Synthesis via Lesion-Focused Diffusion Models [42.922303491557244]
  実際の臨床実践から得られた患者データは、しばしばデータ不足と長い尾の不均衡に悩まされる。 本研究では,病変のない画像から病変を含む画像分割ペアを生成することで,これらの課題に対処する。 レフュージョン生成データにより、最先端セグメンテーションモデルの性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-21T01:25:39Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)

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。