論文の概要: Structure and Progress Aware Diffusion for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2603.07889v1
- Date: Mon, 09 Mar 2026 02:05:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.340911
- Title: Structure and Progress Aware Diffusion for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のための構造と進展認識拡散
- Authors: Siyuan Song, Guyue Hu, Chenglong Li, Dengdi Sun, Zhe Jin, Jin Tang,
- Abstract要約: 医用画像における形態的・意味的構造は有用であり、目標理解のための安定した手がかりである。
現在の手法はトレーニングプロセスを通して粗い構造と細かな境界を同時に学習する。
本稿では,意味集中拡散(ScD)と境界集中拡散(BcD)からなる医用画像分割のための構造と進展認識拡散(SPAD)を提案する。
- 参考スコア（独自算出の注目度）: 23.85948643586352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation is crucial for computer-aided diagnosis, which necessitates understanding both coarse morphological and semantic structures, as well as carving fine boundaries. The morphological and semantic structures in medical images are beneficial and stable clues for target understanding. While the fine boundaries of medical targets (like tumors and lesions) are usually ambiguous and noisy since lesion overlap, annotation uncertainty, and so on, making it not reliable to serve as early supervision. However, existing methods simultaneously learn coarse structures and fine boundaries throughout the training process. In this paper, we propose a structure and progress-aware diffusion (SPAD) for medical image segmentation, which consists of a semantic-concentrated diffusion (ScD) and a boundary-centralized diffusion (BcD) modulated by a progress-aware scheduler (PaS). Specifically, the semantic-concentrated diffusion introduces anchor-preserved target perturbation, which perturbs pixels within a medical target but preserves unaltered areas as semantic anchors, encouraging the model to infer noisy target areas from the surrounding semantic context. The boundary-centralized diffusion introduces progress-aware boundary noise, which blurs unreliable and ambiguous boundaries, thus compelling the model to focus on coarse but stable anatomical morphology and global semantics. Furthermore, the progress-aware scheduler gradually modulates noise intensity of the ScD and BcD forming a coarse-to-fine diffusion paradigm, which encourage focusing on coarse morphological and semantic structures during early target understanding stages and gradually shifting to fine target boundaries during later contour adjusting stages.
- Abstract（参考訳）: 医用画像のセグメンテーションは、粗い形態構造と意味構造の両方を理解する必要のあるコンピュータ支援診断に不可欠である。
医用画像の形態的・意味的構造は有用であり、目標理解のための安定した手がかりである。
医学的標的(腫瘍や病変など)の微細な境界は、病変の重複やアノテーションの不確実性などにより曖昧でノイズが多いため、早期の監督が難しい。
しかし、既存の手法はトレーニングプロセスを通して粗い構造と細かな境界を同時に学習する。
本稿では,意味集中拡散(ScD)と,進行認識スケジューラ(PaS)によって変調された境界集中拡散(BcD)からなる医用画像セグメンテーションのための構造と進行認識拡散(SPAD)を提案する。
具体的には、セマンティック集中拡散は、アンカー保存されたターゲット摂動を導入し、医学的ターゲット内でピクセルを摂動するが、セマンティックアンカーとして変更されていない領域を保存し、周囲のセマンティックコンテキストからノイズの多いターゲット領域を推測するようモデルに促す。
境界分散拡散は、信頼できない境界と曖昧な境界を曖昧にし、粗いが安定な解剖学的形態学と大域的な意味論に焦点を絞らせる。
さらに、進行認識スケジューラは、粗大な拡散パラダイムを形成するScDとBcDのノイズ強度を徐々に変調し、初期目標理解段階における粗大な形態的・意味的な構造に焦点を合わせ、後段の輪郭調整段階における微小な目標境界へ徐々にシフトする。
関連論文リスト
- Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder [3.061416549958077]
生成AIフレームワークに基づく縦型人間の脳画像のモデリングと予測は、神経変性の進行を追跡する効率的なメカニズムを提供する。
近年の拡散モデルが, 疾患進行画像の生成に有効な代替手段として出現している。
本稿では,異なるモーダル間のアライメントを明示的に強制する疾患進行モデリングのための拡散オートエンコーダに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T07:26:44Z) - Plasticine: A Traceable Diffusion Model for Medical Image Translation [79.39689106440389]
我々は、私たちの知る限り、トレーサビリティを主目的として明示的に設計された最初のエンドツーエンド画像変換フレームワークであるPlasticineを提案する。
本手法は,デノナイジング拡散フレームワーク内での強度変換と空間変換を組み合わせた手法である。
この設計により、解釈可能な強度遷移と空間的コヒーレントな変形を持つ合成画像の生成が可能となり、翻訳プロセス全体を通してピクセルワイドトレーサビリティをサポートする。
論文 参考訳（メタデータ） (2025-12-20T18:01:57Z) - MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。
そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。
提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
論文 参考訳（メタデータ） (2025-11-24T08:51:02Z) - Generating healthy counterfactuals with denoising diffusion bridge models [9.788637508976043]
拡散確率モデル(DDPM)は、病理データの健全な反事実を生成するための一般的な手法となっている。
拡散ブリッジモデル(DDBM)の新しい応用法を提案する。
我々のDDBMは,従来提案されていた拡散モデルと,セグメンテーションおよび異常検出タスクにおける完全教師付きアプローチより優れていた。
論文 参考訳（メタデータ） (2025-10-15T15:40:57Z) - MedSeg-R: Medical Image Segmentation with Clinical Reasoning [28.33172310047359]
MedSeg-Rは、臨床推論にインスパイアされた軽量でデュアルステージのフレームワークである。
その認知段階は、医療報告を、トランスフォーマーブロックを介して融合される構造化セマンティックプリエントに解釈する。
挑戦的なベンチマークでは、MedSeg-Rは重なり合う構造とあいまいな構造において大きなDiceの改善をもたらす。
論文 参考訳（メタデータ） (2025-06-23T14:14:09Z) - Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。
本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文 参考訳（メタデータ） (2025-04-20T01:54:18Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。
低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。
大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
論文 参考訳（メタデータ） (2024-01-22T07:34:06Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳（メタデータ） (2023-09-12T03:05:00Z) - Valuing Vicinity: Memory attention framework for context-based semantic
segmentation in histopathology [0.8866112270350612]
詳細な種類の組織を同定することは、パーソナライズされたがん治療の提供に不可欠である。
本稿では,パッチ埋め込みメモリバンクから隣接する組織コンテキストを問い合わせるパッチ近傍の注意機構を提案する。
私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
論文 参考訳（メタデータ） (2022-10-21T08:49:30Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z)
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。