論文の概要: Anatomy-Preserving Latent Diffusion for Generation of Brain Segmentation Masks with Ischemic Infarct

• arxiv url: http://arxiv.org/abs/2602.10167v1
• Date: Tue, 10 Feb 2026 12:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.210515
• Title: Anatomy-Preserving Latent Diffusion for Generation of Brain Segmentation Masks with Ischemic Infarct
• Title（参考訳）: 虚血性脳梗塞に対する解剖保存潜伏拡散法
• Authors: Lucia Borrego, Vajira Thambawita, Marco Ciuffreda, Ines del Val, Alejandro Dominguez, Josep Munuera,
• Abstract要約: 脳のセグメンテーションマスクの無条件合成のための解剖学的保存型生成フレームワークを提案する。 提案手法は,解剖学的潜在表現を学習するために,セグメンテーションマスクに特化して訓練された変分オートエンコーダを組み合わせる。 その結果、生成したマスクは、大域的な脳解剖、離散的な組織意味論、および現実的な変動を保っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 35.66445631291783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scarcity of high-quality segmentation masks remains a major bottleneck for medical image analysis, particularly in non-contrast CT (NCCT) neuroimaging, where manual annotation is costly and variable. To address this limitation, we propose an anatomy-preserving generative framework for the unconditional synthesis of multi-class brain segmentation masks, including ischemic infarcts. The proposed approach combines a variational autoencoder trained exclusively on segmentation masks to learn an anatomical latent representation, with a diffusion model operating in this latent space to generate new samples from pure noise. At inference, synthetic masks are obtained by decoding denoised latent vectors through the frozen VAE decoder, with optional coarse control over lesion presence via a binary prompt. Qualitative results show that the generated masks preserve global brain anatomy, discrete tissue semantics, and realistic variability, while avoiding the structural artifacts commonly observed in pixel-space generative models. Overall, the proposed framework offers a simple and scalable solution for anatomy-aware mask generation in data-scarce medical imaging scenarios.
• Abstract（参考訳）: 高品質なセグメンテーションマスクの不足は、医用画像解析、特に手動アノテーションが高価で可変である非コントラストCT(NCCT)ニューロイメージングにおいて、依然として大きなボトルネックとなっている。 この制限に対処するため,虚血性脳梗塞を含む多クラス脳セグメンテーションマスクの無条件合成のための解剖学的保存型生成フレームワークを提案する。 提案手法は,解剖学的潜伏表現を学習するためにセグメンテーションマスクのみに訓練された変分オートエンコーダと,この潜伏空間で動作する拡散モデルを組み合わせて,純雑音から新しいサンプルを生成する。 推測において、合成マスクは、凍結されたVAEデコーダを介して遅延ベクトルを復号し、バイナリプロンプトを介して病変の存在を選択的に粗い制御することで得られる。 定性的な結果から、生成されたマスクは、大域的な脳解剖学、離散的な組織意味論、現実的な変動性を保ちつつ、ピクセル空間生成モデルでよく見られる構造的アーティファクトを回避していることが示された。 全体として、提案するフレームワークは、データスカース医療画像のシナリオにおいて、解剖学的マスク生成のためのシンプルでスケーラブルなソリューションを提供する。

関連論文リスト

• Diffusion Model in Latent Space for Medical Image Segmentation Task [0.0]
  MedSegLatDiffは、変動オートエンコーダ(VAE)と遅延拡散モデルを組み合わせた拡散ベースのフレームワークで、効率的な医用画像分割を行う。 芸術または非常に競争の激しいDiceとIoUのスコアの状態を達成し、同時に多様なセグメンテーション仮説と信頼マップを生成する。
  論文  参考訳（メタデータ） (2025-12-01T05:26:43Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Anatomically-Controllable Medical Image Generation with Segmentation-Guided Diffusion Models [11.835841459200632]
  解剖学的に制御可能な医用画像生成を支援する拡散モデルに基づく手法を提案する。 また, ランダムマスクアブレーショントレーニングアルゴリズムを導入し, 解剖学的制約の組合せの条件付けを可能にする。 SegGuidedDiffは、生成した画像の忠実さを新たな最先端に到達して、解剖学的マスクを入力します。
  論文  参考訳（メタデータ） (2024-02-07T19:35:09Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)

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。