論文の概要: MeDUET: Disentangled Unified Pretraining for 3D Medical Image Synthesis and Analysis

• arxiv url: http://arxiv.org/abs/2602.17901v1
• Date: Thu, 19 Feb 2026 23:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.182385
• Title: MeDUET: Disentangled Unified Pretraining for 3D Medical Image Synthesis and Analysis
• Title（参考訳）: MeDUET:3次元医用画像合成と解析のためのアンタングル型統一プレトレーニング
• Authors: Junkai Liu, Ling Shao, Le Zhang,
• Abstract要約: 本稿では,3次元医用画像Distangled UnifiEd PreTrainingフレームワークであるMeDUETを提案する。 MeDUETはドメイン固有のスタイルからドメイン不変コンテンツを明示的に切り離す。 より忠実で、より早く収束し、合成の制御性を向上させる。
• 参考スコア（独自算出の注目度）: 36.41448398760502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) and diffusion models have advanced representation learning and image synthesis. However, in 3D medical imaging, they remain separate: diffusion for synthesis, SSL for analysis. Unifying 3D medical image synthesis and analysis is intuitive yet challenging, as multi-center datasets exhibit dominant style shifts, while downstream tasks rely on anatomy, and site-specific style co-varies with anatomy across slices, making factors unreliable without explicit constraints. In this paper, we propose MeDUET, a 3D Medical image Disentangled UnifiEd PreTraining framework that performs SSL in the Variational Autoencoder (VAE) latent space which explicitly disentangles domain-invariant content from domain-specific style. The token demixing mechanism serves to turn disentanglement from a modeling assumption into an empirically identifiable property. Two novel proxy tasks, Mixed-Factor Token Distillation (MFTD) and Swap-invariance Quadruplet Contrast (SiQC), are devised to synergistically enhance disentanglement. Once pretrained, MeDUET is capable of (i) delivering higher fidelity, faster convergence, and improved controllability for synthesis, and (ii) demonstrating strong domain generalization and notable label efficiency for analysis across diverse medical benchmarks. In summary, MeDUET converts multi-source heterogeneity from an obstacle into a learning signal, enabling unified pretraining for 3D medical image synthesis and analysis. The code is available at https://github.com/JK-Liu7/MeDUET .
• Abstract（参考訳）: 自己教師付き学習(SSL)と拡散モデルには、高度な表現学習と画像合成がある。 しかし、3D医療画像では、合成のための拡散、分析のためのSSLが分離されている。 マルチセンターのデータセットが支配的なスタイルシフトを示すのに対して、下流のタスクは解剖学に依存し、サイト固有のスタイルのコバリアはスライスをまたいで解剖学に依存しており、明示的な制約なしに要因を信頼できない。 本稿では,変分オートエンコーダ(VAE)ラテント空間においてSSLを実行する3Dメディカルイメージ Disentangled UnifiEd PreTraining フレームワークであるMeDUETを提案する。 トークンデミックス機構は、モデリングの前提から解離を経験的に特定可能な性質に変換するのに役立つ。 MFTD(Mixed-Factor Token Distillation)とSiQC(Swap-invariance Quadruplet Contrast)という2つの新しいプロキシタスクが相乗的に解離を増強するために考案された。 ひとたび予習すれば、MeDUETは使える 一 より忠実で、より早く収束し、合成の制御性を向上させること。 (II) 多様な医学ベンチマークを用いた分析において, 強い領域一般化と顕著なラベル効率を示す。 まとめると、MeDUETはマルチソースの不均一性を障害物から学習信号に変換し、3次元医用画像合成と解析のための統合事前訓練を可能にする。 コードはhttps://github.com/JK-Liu7/MeDUETで入手できる。

関連論文リスト

• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• M3Ret: Unleashing Zero-shot Multimodal Medical Image Retrieval via Self-Supervision [24.846428105192405]
  我々は、モダリティ固有のカスタマイズなしで、統一されたビジュアルエンコーダであるM3Retを訓練する。 生成的(MAE)およびコントラスト的(SimDINO)自己教師型学習(SSL)パラダイムを用いて、転送可能な表現をうまく学習する。 提案手法は,DINOv3 やテキスト教師付き BMC-CLIP などの強力なベースラインを超越して,すべてのモダリティを横断するゼロショット画像画像検索において,新たな最先端技術を実現する。
  論文  参考訳（メタデータ） (2025-09-01T10:59:39Z)
• Reference-Guided Diffusion Inpainting For Multimodal Counterfactual Generation [55.2480439325792]
  自律運転や医用画像解析などの安全クリティカルなアプリケーションは、厳格なテストのために広範なマルチモーダルデータを必要とする。 本研究は, 自律運転における合成データ生成法と, 医療画像解析法であるMObIとAnydoorMedの2つの新しい手法を紹介する。
  論文  参考訳（メタデータ） (2025-07-30T19:43:47Z)
• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• 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)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• 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)
• Anatomical Invariance Modeling and Semantic Alignment for Self-supervised Learning in 3D Medical Image Analysis [6.87667643104543]
  自己教師付き学習(SSL)は、最近、3D医療画像解析タスクで有望なパフォーマンスを達成した。 現在のほとんどの手法は、元々写真や自然画像用に設計された既存のSSLパラダイムに従っている。 我々は,解剖的不変性モデリングと意味的アライメントを明確に満たす,自己教師付き学習フレームワークAliceを提案する。
  論文  参考訳（メタデータ） (2023-02-11T06:36:20Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and GANs [0.5039813366558306]
  本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。 画像合成はラベル変形とラベルから画像への変換からなる。 心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
  論文  参考訳（メタデータ） (2022-09-09T10:17:49Z)

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。