論文の概要: Improving 2D Diffusion Models for 3D Medical Imaging with Inter-Slice Consistent Stochasticity

• arxiv url: http://arxiv.org/abs/2602.04162v1
• Date: Wed, 04 Feb 2026 02:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.347491
• Title: Improving 2D Diffusion Models for 3D Medical Imaging with Inter-Slice Consistent Stochasticity
• Title（参考訳）: Slice Consistent Stochasticityを用いた3次元医用イメージングのための2次元拡散モデルの改良
• Authors: Chenhe Du, Qing Wu, Xuanyu Tian, Jingyi Yu, Hongjiang Wei, Yuyao Zhang,
• Abstract要約: ICS(Inter-Slice Consistentity)は、拡散サンプリング中のインタースライス一貫性を促進する戦略である。 ISCSは、追加の計算コストなしで、任意の2Dトレーニングされた拡散ベースの3D再構成パイプラインにドロップすることができる。
• 参考スコア（独自算出の注目度）: 47.52394044948656
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D medical imaging is in high demand and essential for clinical diagnosis and scientific research. Currently, diffusion models (DMs) have become an effective tool for medical imaging reconstruction thanks to their ability to learn rich, high-quality data priors. However, learning the 3D data distribution with DMs in medical imaging is challenging, not only due to the difficulties in data collection but also because of the significant computational burden during model training. A common compromise is to train the DMs on 2D data priors and reconstruct stacked 2D slices to address 3D medical inverse problems. However, the intrinsic randomness of diffusion sampling causes severe inter-slice discontinuities of reconstructed 3D volumes. Existing methods often enforce continuity regularizations along the z-axis, which introduces sensitive hyper-parameters and may lead to over-smoothing results. In this work, we revisit the origin of stochasticity in diffusion sampling and introduce Inter-Slice Consistent Stochasticity (ISCS), a simple yet effective strategy that encourages interslice consistency during diffusion sampling. Our key idea is to control the consistency of stochastic noise components during diffusion sampling, thereby aligning their sampling trajectories without adding any new loss terms or optimization steps. Importantly, the proposed ISCS is plug-and-play and can be dropped into any 2D trained diffusion based 3D reconstruction pipeline without additional computational cost. Experiments on several medical imaging problems show that our method can effectively improve the performance of medical 3D imaging problems based on 2D diffusion models. Our findings suggest that controlling inter-slice stochasticity is a principled and practically attractive route toward high-fidelity 3D medical imaging with 2D diffusion priors. The code is available at: https://github.com/duchenhe/ISCS
• Abstract（参考訳）: 3次元医用画像は高需要であり、臨床診断や科学研究に欠かせないものである。 現在、拡散モデル(DM)は、リッチで高品質なデータ事前学習能力により、医用画像再構成の有効なツールとなっている。 しかし, 医用画像におけるDMによる3次元データ分布の学習は, データ収集の難しさだけでなく, モデルトレーニングの際の計算負担も大きいため, 困難である。 一般的な妥協は、DMを2Dデータでトレーニングし、積み重ねた2Dスライスを再構築して、3D医学的逆問題に対処することである。 しかし,拡散サンプリングの本質的なランダム性は,再構成された3次元ボリュームのスライス間不連続性を著しく引き起こす。 既存の手法はしばしばz軸に沿った連続正則化を強制し、感度の高いハイパーパラメータを導入し、過度に滑らかな結果をもたらす。 本研究では,拡散サンプリングにおける確率性の起源を再考し,拡散サンプリング時の相互整合性を促進するシンプルかつ効果的な戦略であるISCS(Inter-Slice Consistent Stochasticity)を導入する。 我々のキーとなる考え方は、拡散サンプリング中の確率的雑音成分の整合性を制御し、新しい損失項や最適化ステップを加えることなくサンプリング軌道を整列させることである。 重要なことは、提案したISCSはプラグアンドプレイであり、追加の計算コストなしで、任意の2次元トレーニングされた拡散に基づく3D再構成パイプラインにドロップすることができる。 いくつかの医用画像問題に対する実験により,本手法は2次元拡散モデルに基づく医用3次元画像問題の性能を効果的に改善できることが示唆された。 以上の結果から,スライス間確率の制御は,2次元拡散先行の高忠実度3次元医用画像への原則的かつ実用的に魅力的な経路であることが示唆された。 コードは、https://github.com/duchenhe/ISCSで入手できる。

関連論文リスト

• Introducing 3D Representation for Medical Image Volume-to-Volume Translation via Score Fusion [3.3559609260669303]
  Score-Fusionは、垂直に訓練された2次元拡散モデルをスコア関数空間に組み込むことで、3次元表現を効果的に学習する新しいボリューム変換モデルである。 Score-Fusionは,3次元医用画像の高分解能・モダリティ変換において,高い精度と容積忠実性が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-13T15:54:21Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• DiffusionBlend: Learning 3D Image Prior through Position-aware Diffusion Score Blending for 3D Computed Tomography Reconstruction [12.04892150473192]
  位置認識型3D-パッチ拡散スコアブレンディングによる3D画像の学習を可能にする新しいフレームワークを提案する。 我々のアルゴリズムは、従来の最先端手法よりも優れた、あるいは同等の計算効率を持つ。
  論文  参考訳（メタデータ） (2024-06-14T17:47:50Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D Brain MRI Synthesis [35.45013834475523]
  クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。 現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。 本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:01:09Z)
• Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
  本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
  論文  参考訳（メタデータ） (2023-03-15T08:28:06Z)
• DreamFusion: Text-to-3D using 2D Diffusion [52.52529213936283]
  テキストと画像の合成の最近の進歩は、何十億もの画像と画像のペアで訓練された拡散モデルによって引き起こされている。 本研究では,事前訓練された2次元テキスト・ツー・イメージ拡散モデルを用いてテキスト・ツー・3次元合成を行うことにより,これらの制約を回避する。 提案手法では,3次元トレーニングデータや画像拡散モデルの変更は必要とせず,事前訓練した画像拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-09-29T17:50:40Z)

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。