論文の概要: Towards Trustworthy Selective Generation: Reliability-Guided Diffusion for Ultra-Low-Field to High-Field MRI Synthesis

• arxiv url: http://arxiv.org/abs/2603.11325v1
• Date: Wed, 11 Mar 2026 21:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.660106
• Title: Towards Trustworthy Selective Generation: Reliability-Guided Diffusion for Ultra-Low-Field to High-Field MRI Synthesis
• Title（参考訳）: 信頼できる選択生成に向けて:超低磁場-高磁場MRI合成のための信頼性誘導拡散
• Authors: Zhenxuan Zhang, Peiyuan Jing, Ruicheng Yuan, Liwei Hu, Anbang Wang, Fanwen Wang, Yinzhe Wu, Kh Tohidul Islam, Zhaolin Chen, Zi Wang, Peter Lally, Guang Yang,
• Abstract要約: 低磁場-高磁場MRI合成は、ハードウェアおよび取得制約下での画像品質を向上させるための費用対効果の戦略として登場した。 近年の拡散モデルの発展にもかかわらず、拡散に基づくアプローチは細部回復と構造的忠実さのバランスをとるのにしばしば苦労する。 本稿では,サンプリングおよびポストジェネレーション段階におけるロバスト性を改善する信頼性を考慮した拡散フレームワーク(ReDiff)を提案する。
• 参考スコア（独自算出の注目度）: 7.756520887774262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-field to high-field MRI synthesis has emerged as a cost-effective strategy to enhance image quality under hardware and acquisition constraints, particularly in scenarios where access to high-field scanners is limited or impractical. Despite recent progress in diffusion models, diffusion-based approaches often struggle to balance fine-detail recovery and structural fidelity. In particular, the uncontrolled generation of high-resolution details in structurally ambiguous regions may introduce anatomically inconsistent patterns, such as spurious edges or artificial texture variations. These artifacts can bias downstream quantitative analysis. For example, they may cause inaccurate tissue boundary delineation or erroneous volumetric estimation, ultimately reducing clinical trust in synthesized images. These limitations highlight the need for generative models that are not only visually accurate but also spatially reliable and anatomically consistent. To address this issue, we propose a reliability-aware diffusion framework (ReDiff) that improves synthesis robustness at both the sampling and post-generation stages. Specifically, we introduce a reliability-guided sampling strategy to suppress unreliable responses during the denoising process. We further develop an uncertainty-aware multi-candidate selection scheme to enhance the reliability of the final prediction. Experiments on multi-center MRI datasets demonstrate improved structural fidelity and reduced artifacts compared with state-of-the-art methods.
• Abstract（参考訳）: 低磁場から高磁場までのMRI合成は、特に高磁場スキャナへのアクセスが制限されたり非現実的なシナリオにおいて、ハードウェアおよび取得制約下での画質を向上させるためのコスト効率のよい戦略として登場した。 近年の拡散モデルの発展にもかかわらず、拡散に基づくアプローチは細部回復と構造的忠実さのバランスをとるのにしばしば苦労する。 特に、構造的に曖昧な領域における高解像度の詳細の制御されていない生成は、スパイラスエッジや人工的なテクスチャのバリエーションのような、解剖学的に一貫性のないパターンを導入する可能性がある。 これらのアーティファクトは下流の定量的分析に偏りがある。 例えば、不正確な組織の境界線や誤った体積推定を引き起こし、最終的に合成画像の臨床的信頼を低下させる。 これらの制限は、視覚的に正確であるだけでなく、空間的に信頼性があり、解剖学的に一貫性のある生成モデルの必要性を強調している。 この問題に対処するため, サンプリングおよびポストジェネレーション段階において, 合成堅牢性を向上する信頼性を考慮した拡散フレームワーク(ReDiff)を提案する。 具体的には,デノナイジング過程における信頼できない応答を抑制するために,信頼性誘導型サンプリング戦略を導入する。 さらに,最終予測の信頼性を高めるため,不確実性を考慮した多候補選択方式を開発した。 マルチセンターMRIデータセットの実験では、最先端の手法と比較して、構造的忠実度の改善とアーティファクトの削減が示されている。

関連論文リスト

• Uncertainty-guided Generation of Dark-field Radiographs [3.3810170505829515]
  標準減衰胸部X線から直接暗視野画像を生成するための第1の枠組みを提示する。 その結果,不確実性誘導型生成モデルにより,現実的な暗視野画像合成が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-22T11:07:19Z)
• 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)
• Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models [7.262119921589195]
  子宮MRI合成のための新しい拡散型フレームワークを提案する。 本手法は, 解剖学的に整合した高忠実な合成画像を生成し, 実際のスキャンを忠実に再現する。 ブラインドド・エキスパートによる評価は,我々の合成画像の臨床的現実性を評価する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:23Z)
• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• 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)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。