論文の概要: Mask-Guided Attention Regulation for Anatomically Consistent Counterfactual CXR Synthesis

• arxiv url: http://arxiv.org/abs/2603.04130v1
• Date: Wed, 04 Mar 2026 14:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.354774
• Title: Mask-Guided Attention Regulation for Anatomically Consistent Counterfactual CXR Synthesis
• Title（参考訳）: 解剖学的に一貫性のあるCXR合成のためのマスク誘導アテンション制御
• Authors: Zichun Zhang, Weizhi Nie, Honglin Guo, Yuting Su,
• Abstract要約: 本稿では,信頼性の高いCXR合成のための推定時注意制御フレームワークを提案する。 解剖学的注意規則化モジュールは、臓器マスクによる自己注意及び解剖学的トーケン交差注意をゲートする。 病理誘導モジュールは、早期脱鼻中に標的肺領域内での病因間交差注意を増強する。
• 参考スコア（独自算出の注目度）: 28.400345187461085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual generation for chest X-rays (CXR) aims to simulate plausible pathological changes while preserving patient-specific anatomy. However, diffusion-based editing methods often suffer from structural drift, where stable anatomical semantics propagate globally through attention and distort non-target regions, and unstable pathology expression, since subtle and localized lesions induce weak and noisy conditioning signals. We present an inference-time attention regulation framework for reliable counterfactual CXR synthesis. An anatomy-aware attention regularization module gates self-attention and anatomy-token cross-attention with organ masks, confining structural interactions to anatomical ROIs and reducing unintended distortions. A pathology-guided module enhances pathology-token cross-attention within target lung regions during early denoising and performs lightweight latent corrections driven by an attention-concentration energy, enabling controllable lesion localization and extent. Extensive evaluations on CXR datasets show improved anatomical consistency and more precise, controllable pathological edits compared with standard diffusion editing, supporting localized counterfactual analysis and data augmentation for downstream tasks.
• Abstract（参考訳）: 胸部X線(CXR)は, 患者固有の解剖学を保存しながら, 病的変化をシミュレートすることを目的としている。 しかし、拡散ベースの編集法は、しばしば構造的ドリフトに悩まされ、安定した解剖学的意味論は、注意と歪んだ非標的領域を通じて世界中に伝播し、微妙で局所的な病変が弱くノイズの多い条件信号を引き起こすため、不安定な病的表現が引き起こされる。 本稿では,信頼性の高いCXR合成のための推定時注意制御フレームワークを提案する。 解剖学的注意規則化モジュールは、臓器マスクとの自己注意と解剖学的トーケン交差注意をゲートし、解剖学的ROIに対する構造的相互作用を収束させ、意図しない歪みを減少させる。 病理誘導モジュールは、早期の脱鼻中に標的肺領域内の病因間交叉を増強し、注意集中エネルギーによって駆動される軽量潜伏補正を行い、制御可能な病変の局所化及び範囲を可能にする。 CXRデータセットの大規模な評価では、標準的な拡散編集と比較して、解剖学的一貫性が向上し、より正確に、制御可能な病理編集が可能であり、下流タスクの局所的な反事実分析とデータ拡張をサポートする。

関連論文リスト

• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion [11.223559964746705]
  磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-29T01:13:50Z)
• AnyCXR: Human Anatomy Segmentation of Chest X-ray at Any Acquisition Position using Multi-stage Domain Randomized Synthetic Data with Imperfect Annotations and Conditional Joint Annotation Regularization Learning [0.0]
  我々は任意のCXR射影角をまたいで一般化可能な多臓器分割を可能にする統一フレームワークであるAnyCXRを提案する。 我々はAnyCXRを完全に合成データに基づいて訓練し,PA,側方,斜視で54の解剖学的構造を正確に記述した。 その結果,AnyCXRは解剖学的CXR解析のためのスケーラブルで信頼性の高い基盤を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-12-19T06:27:14Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
  CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。 本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-03T10:18:06Z)
• CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
  CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-18T15:21:34Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
  組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。 相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
  論文  参考訳（メタデータ） (2024-03-13T12:26:55Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)

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。