論文の概要: Scale-Cascaded Diffusion Models for Super-Resolution in Medical Imaging

• arxiv url: http://arxiv.org/abs/2601.23201v1
• Date: Fri, 30 Jan 2026 17:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.583695
• Title: Scale-Cascaded Diffusion Models for Super-Resolution in Medical Imaging
• Title（参考訳）: 医療画像における超解像のためのスケールカスケード拡散モデル
• Authors: Darshan Thaker, Mahmoud Mostapha, Radu Miron, Shihan Qiu, Mariappan Nadar,
• Abstract要約: 画像をラプラシアンピラミッドスケールに分解し、各周波数帯域に対して個別拡散先行を訓練する。 そして、これらの先行技術を用いて様々なスケールの再構成を段階的に洗練する超解像処理アルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 1.1638664503798852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have been increasingly used as strong generative priors for solving inverse problems such as super-resolution in medical imaging. However, these approaches typically utilize a diffusion prior trained at a single scale, ignoring the hierarchical scale structure of image data. In this work, we propose to decompose images into Laplacian pyramid scales and train separate diffusion priors for each frequency band. We then develop an algorithm to perform super-resolution that utilizes these priors to progressively refine reconstructions across different scales. Evaluated on brain, knee, and prostate MRI data, our approach both improves perceptual quality over baselines and reduces inference time through smaller coarse-scale networks. Our framework unifies multiscale reconstruction and diffusion priors for medical image super-resolution.
• Abstract（参考訳）: 拡散モデルは、医療画像における超解像のような逆問題を解決するための強力な生成前駆体として、ますます使われてきている。 しかし、これらの手法は、画像データの階層的なスケール構造を無視して、1つのスケールで訓練された拡散を利用するのが一般的である。 本研究では,ラプラシアのピラミッドスケールに画像を分解し,各周波数帯域に対して拡散先行を訓練することを提案する。 そして、これらの先行技術を用いて様々なスケールの再構成を段階的に洗練する超解像処理アルゴリズムを開発する。 脳、膝、前立腺MRIデータに基づいて、我々のアプローチはベースラインよりも知覚品質を改善し、より小さな粗いネットワークを通して推論時間を短縮する。 医用画像の超高解像度化のために, マルチスケールの再構成と拡散の先行を統一する。

関連論文リスト

• Deep generative priors for 3D brain analysis [9.407614414126142]
  本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。 我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
  論文  参考訳（メタデータ） (2025-10-16T20:20:50Z)
• Frequency-Calibrated Membership Inference Attacks on Medical Image Diffusion Models [0.0]
  医用画像拡散モデルにおけるMIAのための周波数校正再構成誤差(FCRE)法を提案する。 逆拡散過程を解析し、中周波再構成誤差を求め、再構成画像と原画像の間の構造類似度指数スコアを算出する。
  論文  参考訳（メタデータ） (2025-06-17T18:59:43Z)
• 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)
• Energy-Based Prior Latent Space Diffusion model for Reconstruction of Lumbar Vertebrae from Thick Slice MRI [9.44498543364625]
  腰椎問題はユビキタスであり、治療計画とガイド付き介入のための標的画像の研究を動機付けている。 薄いスライスMRI」は、高平面解像度で高速な撮像を優先するが、可変コントラストと低平面解像度で行う。 本稿では,高画質の画像生成を行う拡散モデルを活用するために,遅延空間拡散エネルギーを用いた手法を提案する。
  論文  参考訳（メタデータ） (2024-11-30T15:34:46Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)
• Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
  ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。 非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。 本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
  論文  参考訳（メタデータ） (2022-07-12T22:45:08Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network [5.3580471186206005]
  繰り返し畳み込みによって実装されたデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャが導出される。 重み付きネットワークや近位ネットワークのカスケードよりも、再帰的なネットワークによるアンローリングの方がよい結果が得られることを示すことができる。
  論文  参考訳（メタデータ） (2021-05-19T20:00:04Z)

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。