論文の概要: POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI

• arxiv url: http://arxiv.org/abs/2601.09044v1
• Date: Wed, 14 Jan 2026 00:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.206085
• Title: POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI
• Title（参考訳）: POWDR : ウェーブレット拡散による3次元MRI画像診断
• Authors: Fei Tan, Ashok Vardhan Addala, Bruno Astuto Arouche Nunes, Xucheng Zhu, Ravi Soni,
• Abstract要約: POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。 提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
• 参考スコア（独自算出の注目度）: 7.901173149711112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging datasets often suffer from class imbalance and limited availability of pathology-rich cases, which constrains the performance of machine learning models for segmentation, classification, and vision-language tasks. To address this challenge, we propose POWDR, a pathology-preserving outpainting framework for 3D MRI based on a conditioned wavelet diffusion model. Unlike conventional augmentation or unconditional synthesis, POWDR retains real pathological regions while generating anatomically plausible surrounding tissue, enabling diversity without fabricating lesions. Our approach leverages wavelet-domain conditioning to enhance high-frequency detail and mitigate blurring common in latent diffusion models. We introduce a random connected mask training strategy to overcome conditioning-induced collapse and improve diversity outside the lesion. POWDR is evaluated on brain MRI using BraTS datasets and extended to knee MRI to demonstrate tissue-agnostic applicability. Quantitative metrics (FID, SSIM, LPIPS) confirm image realism, while diversity analysis shows significant improvement with random-mask training (cosine similarity reduced from 0.9947 to 0.9580; KL divergence increased from 0.00026 to 0.01494). Clinically relevant assessments reveal gains in tumor segmentation performance using nnU-Net, with Dice scores improving from 0.6992 to 0.7137 when adding 50 synthetic cases. Tissue volume analysis indicates no significant differences for CSF and GM compared to real images. These findings highlight POWDR as a practical solution for addressing data scarcity and class imbalance in medical imaging. The method is extensible to multiple anatomies and offers a controllable framework for generating diverse, pathology-preserving synthetic data to support robust model development.
• Abstract（参考訳）: 医療画像データセットは、しばしば、分類、分類、視覚言語タスクのための機械学習モデルのパフォーマンスを制限する、分類の不均衡と病理学的に豊富なケースの限られた可用性に悩まされる。 この課題に対処するために、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークであるPOWDRを提案する。 従来の拡張や無条件合成とは異なり、POWDRは解剖学的に可塑性の周囲組織を生成しながら実際の病理領域を保持し、病変を作らずに多様性を実現する。 提案手法はウェーブレット領域の条件付けを利用して,高周波のディテールを向上し,潜時拡散モデルに共通するぼかしを緩和する。 コンディショニングによる崩壊を克服し,病変外における多様性を向上させるために,ランダムなコネクテッドマスクトレーニング戦略を導入する。 POWDRは、BraTSデータセットを用いて脳MRI上で評価され、膝MRIに拡張され、組織に依存しない適用性を示す。 定量的メトリクス(FID, SSIM, LPIPS)は画像リアリズムを確認し、多様性分析はランダムマスクトレーニング(コサイン類似度は0.9947から0.9580に減少し、KLの発散率は0.00026から0.01494に増加した)で著しく改善した。 臨床的に有意な評価は、nU-Netを用いた腫瘍セグメンテーション性能の上昇を示し、Diceスコアは50の合成ケースを追加すると0.6992から0.7137に改善した。 組織容積分析では, 実像と比較してCSFとGMに有意な差は認められなかった。 これらの結果から,POWDRは医用画像におけるデータ不足とクラス不均衡に対処するための実用的な解決策であることがわかった。 この方法は、複数の解剖学に拡張可能であり、堅牢なモデル開発を支援するために、多種多様な病理保存合成データを生成するための制御可能なフレームワークを提供する。

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)
• Scanner-Agnostic MRI Harmonization via SSIM-Guided Disentanglement [0.0]
  3次元T1強調脳MRIのための画像ベース調和フレームワークを提案する。 このモデルは、生物学的に意味のある特徴を保存するために、構造的類似度指数(SSIM)に基づく識別可能な損失を組み込む。 視覚的比較,ボクセル強度分布,SSIMに基づく測定により,高調波画像が取得設定間で強い整合性を示した。
  論文  参考訳（メタデータ） (2025-10-24T23:19:02Z)
• Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
  3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
  論文  参考訳（メタデータ） (2025-09-10T23:22:05Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• 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)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。