論文の概要: SLIM-Diff: Shared Latent Image-Mask Diffusion with Lp loss for Data-Scarce Epilepsy FLAIR MRI
- arxiv url: http://arxiv.org/abs/2602.03372v1
- Date: Tue, 03 Feb 2026 10:48:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.398231
- Title: SLIM-Diff: Shared Latent Image-Mask Diffusion with Lp loss for Data-Scarce Epilepsy FLAIR MRI
- Title（参考訳）: SLIM-Diff-Shared Latent Image-Mask Diffusion with Lp loss for data-Scarce Epilepsy FLAIR MRI
- Authors: Mario Pascual-González, Ariadna Jiménez-Partinen, R. M. Luque-Baena, Fátima Nagib-Raya, Ezequiel López-Rubio,
- Abstract要約: 単一共有ブートネック U-Net を用いたコンパクトな合同拡散モデル SLIM-Diff を提案する。
SLIM-Diffは2チャンネル画像+マスク表現からの解剖学と病変幾何学の密結合と、調整可能な$L_p$目的による損失幾何学的チューニングを強制する。
- 参考スコア（独自算出の注目度）: 1.8594711725515678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Focal cortical dysplasia (FCD) lesions in epilepsy FLAIR MRI are subtle and scarce, making joint image--mask generative modeling prone to instability and memorization. We propose SLIM-Diff, a compact joint diffusion model whose main contributions are (i) a single shared-bottleneck U-Net that enforces tight coupling between anatomy and lesion geometry from a 2-channel image+mask representation, and (ii) loss-geometry tuning via a tunable $L_p$ objective. As an internal baseline, we include the canonical DDPM-style objective ($ε$-prediction with $L_2$ loss) and isolate the effect of prediction parameterization and $L_p$ geometry under a matched setup. Experiments show that $x_0$-prediction is consistently the strongest choice for joint synthesis, and that fractional sub-quadratic penalties ($L_{1.5}$) improve image fidelity while $L_2$ better preserves lesion mask morphology. Our code and model weights are available in https://github.com/MarioPasc/slim-diff
- Abstract（参考訳）: てんかん性FLAIR MRIにおけるFCDの病変は微妙で乏しいため, 関節画像-マスク生成モデルでは不安定, 記憶が困難である。
主に寄与するコンパクトな関節拡散モデルSLIM-Diffを提案する。
i) 2チャンネル画像+マスク表現から解剖学と病変形状の密結合を強制する単一の共有ブートネックU-Net
(ii) 調整可能な$L_p$オブジェクトによる損失幾何学的チューニング。
内部ベースラインとして、標準DDPMスタイルの目的(ε$-prediction with $L_2$ loss)を含み、一致した設定の下で予測パラメータ化と$L_p$幾何の影響を分離する。
実験によると、$x_0$-predictionは関節合成において一貫して最強の選択であり、サブクアドラルなペナルティ(L_{1.5}$)は画像の忠実性を向上し、$L_2$は病変マスク形態を良く保存する。
コードとモデルの重み付けはhttps://github.com/MarioPasc/slim-diffで確認できる。
関連論文リスト
- Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。
各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。
これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
論文 参考訳（メタデータ） (2025-11-05T06:14:19Z) - Cyclic Self-Supervised Diffusion for Ultra Low-field to High-field MRI Synthesis [20.659040331377216]
低磁場MRIは安価で、よりアクセシビリティが高く、安全であるが、低解像度で信号対雑音比が低い。
画像のコントラストにおいて、解剖学的な忠実さを保ち、きめ細かな構造の詳細を高め、ドメインギャップを埋める必要がある。
実低磁場MRIデータから高磁場MRI合成を行うために, 楕円型自己教師拡散(CSS-Diff)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T16:41:54Z) - Noise-Consistent Siamese-Diffusion for Medical Image Synthesis and Segmentation [9.795456238314825]
本稿では,Mask-Diffusion と Image-Diffusion を組み合わせた新しい2成分モデルであるSiamese-Diffusionを紹介する。
トレーニング中、これらのコンポーネント間でノイズ一貫性損失を導入し、マスク拡散の形態的忠実度を高める。
論文 参考訳（メタデータ） (2025-05-09T14:07:27Z) - Cross-view Masked Diffusion Transformers for Person Image Synthesis [21.242398582282522]
ポーズ誘導画像生成のための新しい拡散モデルであるX-MDPTを提案する。
X-MDPTは、潜伏パッチで動作するマスク付き拡散トランスフォーマーを用いて、自分自身を区別する。
我々のモデルはDeepFashionデータセットにおける最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2024-02-02T15:57:13Z) - SSG2: A new modelling paradigm for semantic segmentation [0.0]
セグメンテーションにおける最先端モデルは、単一の静的イメージで動作し、対応するセグメンテーションマスクを生成する。
セマンティック・チェンジ検出の研究から着想を得て,各静的な入力画像に対して生成した可観測物のシーケンスを活用する手法を提案する。
この「時間的」次元を追加することで、シーケンス内の連続した観測間の強い信号相関を利用してエラー率を減少させる。
オーストラリア・ダーウィンのUrbanMonitorは5つのスペクトルバンドと0.2mの空間解像度を持つ正像タイルを特徴とし、ISPRS Potsdamは複数のスペクトルバンドと5cmの地中サンプリングを含む真の正像画像を含む。
論文 参考訳（メタデータ） (2023-10-12T19:08:03Z) - Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and
Applications [7.322121417864824]
我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。
これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。
神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
論文 参考訳（メタデータ） (2023-05-26T06:02:31Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳（メタデータ） (2022-01-29T13:45:39Z) - Data Augmentation for Histopathological Images Based on
Gaussian-Laplacian Pyramid Blending [59.91656519028334]
データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。
本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。
BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
論文 参考訳（メタデータ） (2020-01-31T22:02:57Z)
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。