論文の概要: AWDiff: An a trous wavelet diffusion model for lung ultrasound image synthesis

• arxiv url: http://arxiv.org/abs/2603.03125v1
• Date: Tue, 03 Mar 2026 15:57:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.871483
• Title: AWDiff: An a trous wavelet diffusion model for lung ultrasound image synthesis
• Title（参考訳）: AWDiff:肺超音波画像合成のためのトロウスウェーブレット拡散モデル
• Authors: Maryam Heidari, Nantheera Anantrasirichai, Steven Walker, Rahul Bhatnagar, Alin Achim,
• Abstract要約: 肺超音波(LUS)は安全かつポータブルな画像モダリティであるが、データの不足により、画像解釈と疾患モニタリングのための機械学習手法の開発が制限される。 A Trous Wavelet Diffusion (AWDiff) は、トロイスウェーブレットを統合して微細構造を保存するための拡散に基づく拡張フレームワークである。 AWDiffは既存の方法に比べて歪みが低く、知覚品質も高く、構造的忠実度と臨床多様性の両方を実証した。
• 参考スコア（独自算出の注目度）: 5.0322920296798435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung ultrasound (LUS) is a safe and portable imaging modality, but the scarcity of data limits the development of machine learning methods for image interpretation and disease monitoring. Existing generative augmentation methods, such as Generative Adversarial Networks (GANs) and diffusion models, often lose subtle diagnostic cues due to resolution reduction, particularly B-lines and pleural irregularities. We propose A trous Wavelet Diffusion (AWDiff), a diffusion based augmentation framework that integrates the a trous wavelet transform to preserve fine-scale structures while avoiding destructive downsampling. In addition, semantic conditioning with BioMedCLIP, a vision language foundation model trained on large scale biomedical corpora, enforces alignment with clinically meaningful labels. On a LUS dataset, AWDiff achieved lower distortion and higher perceptual quality compared to existing methods, demonstrating both structural fidelity and clinical diversity.
• Abstract（参考訳）: 肺超音波(LUS)は安全かつポータブルな画像モダリティであるが、データの不足により、画像解釈と疾患モニタリングのための機械学習手法の開発が制限される。 GAN(Generative Adversarial Networks)や拡散モデルのような既存の生成的拡張法は、分解能の低下、特にB線や胸膜異常による微妙な診断方法を失うことが多い。 A Trous Wavelet Diffusion (AWDiff) は、トロイスウェーブレット変換を統合して、破壊的なダウンサンプリングを回避しつつ、微細な構造を保存できる拡散に基づく拡張フレームワークである。 さらに、大規模バイオメディカルコーパスで訓練された視覚言語基盤モデルであるBioMedCLIPによるセマンティックコンディショニングは、臨床的に意味のあるラベルとのアライメントを強制する。 LUSデータセットでは、AWDiffは既存の手法に比べて歪みが低く、知覚品質も高く、構造的忠実度と臨床多様性の両方を実証した。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Subtyping Breast Lesions via Generative Augmentation based Long-tailed Recognition in Ultrasound [8.410718166932798]
  本稿では,高忠実度データ合成による分布バイアスを緩和する長鎖分類のためのフレームワークを提案する。 提案手法は,最先端手法と比較して有望な性能を実現する。
  論文  参考訳（メタデータ） (2025-07-30T10:50:41Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• 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)
• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images [32.99597899937902]
  医用画像における異常検出は、様々な画像モダリティにおける病理領域の同定において重要な役割を担っている。 本研究では,合成ノイズ関数と多段階拡散過程を組み込んだ拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 脳MRI,肝CT,頸動脈USデータセットに対する提案手法の検証を行った。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• Ultrasound Image Enhancement with the Variance of Diffusion Models [7.360352432782388]
  超音波画像の強調にはコントラスト、解像度、スペックル保存の微妙なバランスが必要である。 本稿では,適応ビームフォーミングと拡散型分散イメージングを併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T17:29:33Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
  超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。 我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。 Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
  論文  参考訳（メタデータ） (2024-08-07T09:52:30Z)
• Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
  超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。 拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。 シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-31T16:51:40Z)
• LLCaps: Learning to Illuminate Low-Light Capsule Endoscopy with Curved Wavelet Attention and Reverse Diffusion [24.560417980602928]
  ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化器疾患の無痛・非侵襲診断ツールである。 医学領域における深層学習に基づく低照度画像強調(LLIE)は徐々に研究者を惹きつける。 マルチスケール畳み込みニューラルネットワーク(CNN)と逆拡散プロセスに基づく WCE LLIE フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-05T17:23:42Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。