論文の概要: Multiscale Structure-Guided Latent Diffusion for Multimodal MRI Translation

• arxiv url: http://arxiv.org/abs/2603.12581v1
• Date: Fri, 13 Mar 2026 02:26:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.852943
• Title: Multiscale Structure-Guided Latent Diffusion for Multimodal MRI Translation
• Title（参考訳）: マルチモーダルMRI翻訳のためのマルチスケール構造誘導潜時拡散法
• Authors: Jianqiang Lin, Zhiqiang Shen, Peng Cao, Jinzhu Yang, Osmar R. Zaiane, Xiaoli Liu,
• Abstract要約: 我々はMSG-LDMと呼ばれる潜伏拡散に基づく多モードMRI翻訳フレームワークを提案する。 提案手法は,信頼性の高い境界情報を保持する完全構造情報を推定する。 BraTS 2020とWMHデータセットの実験は、提案手法が既存のMRI合成手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 37.87507831903678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although diffusion models have achieved remarkable progress in multi-modal magnetic resonance imaging (MRI) translation tasks, existing methods still tend to suffer from anatomical inconsistencies or degraded texture details when handling arbitrary missing-modality scenarios. To address these issues, we propose a latent diffusion-based multi-modal MRI translation framework, termed MSG-LDM. By leveraging the available modalities, the proposed method infers complete structural information, which preserves reliable boundary details. Specifically, we introduce a style--structure disentanglement mechanism in the latent space, which explicitly separates modality-specific style features from shared structural representations, and jointly models low-frequency anatomical layouts and high-frequency boundary details in a multi-scale feature space. During the structure disentanglement stage, high-frequency structural information is explicitly incorporated to enhance feature representations, guiding the model to focus on fine-grained structural cues while learning modality-invariant low-frequency anatomical representations. Furthermore, to reduce interference from modality-specific styles and improve the stability of structure representations, we design a style consistency loss and a structure-aware loss. Extensive experiments on the BraTS2020 and WMH datasets demonstrate that the proposed method outperforms existing MRI synthesis approaches, particularly in reconstructing complete structures. The source code is publicly available at https://github.com/ziyi-start/MSG-LDM.
• Abstract（参考訳）: 拡散モデルは多モードMRI(Multi-modal magnetic resonance imaging)翻訳タスクにおいて顕著な進歩を遂げているが、既存の手法では、任意の欠損モードのシナリオを扱う際に、解剖学的不整合や劣化したテクスチャの詳細に悩まされる傾向にある。 これらの課題に対処するため,MSG-LDMと呼ばれる遅延拡散に基づく多モードMRI翻訳フレームワークを提案する。 利用可能なモダリティを活用することにより,提案手法は,信頼性の高い境界情報を保持する完全な構造情報を推測する。 具体的には,多次元特徴空間における低周波解剖学的レイアウトと高周波境界の詳細を連成モデルでモデル化し,モダリティ特有の特徴を共有構造表現から明確に分離する,潜在空間における構造的ゆがみ機構を導入する。 構造不整合の段階では、高周波数構造情報を明示的に組み込んで特徴表現を強化し、変調不変低周波解剖表現を学習しながらきめ細かな構造的手がかりに焦点を合わせる。 さらに、モダリティ固有のスタイルからの干渉を低減し、構造表現の安定性を向上させるために、スタイル整合性損失と構造認識損失を設計する。 BraTS2020とWMHデータセットの大規模な実験により、提案手法は既存のMRI合成手法、特に完全な構造を再構築する際の性能より優れていることが示された。 ソースコードはhttps://github.com/ziyi-start/MSG-LDMで公開されている。

関連論文リスト

• SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition [19.86276665791872]
  SEMCは、Structure-Enhanced Mixture-of-Experts Contrastive Learningフレームワークである。 構造認識機能融合と専門家が指導するコントラスト学習を組み合わせる。 SEMCは、様々なメトリクスで最新の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-11-16T11:26:37Z)
• Towards General Modality Translation with Contrastive and Predictive Latent Diffusion Bridge [16.958159611661813]
  Latent Denoising Diffusion Bridge Model (LDDBM)は、モーダル翻訳のための汎用フレームワークである。 共用ラテント空間で演算することにより、任意のモード間のブリッジを、整列次元を必要とせずに学習する。 提案手法は任意のモダリティペアをサポートし,マルチビューから3次元形状生成,画像超解像,マルチビューシーン合成など,多様なMTタスクに強く依存する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:54Z)
• SSCM: A Spatial-Semantic Consistent Model for Multi-Contrast MRI Super-Resolution [11.194678655584788]
  MC-MRI SRは、高分解能(HR)参照を活用することで、低分解能(LR)コントラストを強化することを目的としている。 主な課題は、空間的なセマンティックな一貫性を維持することである。
  論文  参考訳（メタデータ） (2025-09-23T03:24:32Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• DP-MDM: Detail-Preserving MR Reconstruction via Multiple Diffusion Models [7.601874398726257]
  多重拡散モデルを用いた包括的詳細保存再構成法を提案する。 このフレームワークは多スケールのサンプルデータを効果的に表現し、逆ピラミッドアーキテクチャの幅を数える。 提案手法は,臨床および公開データセットのコンダクト実験により評価された。
  論文  参考訳（メタデータ） (2024-05-09T13:37:18Z)

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。