論文の概要: LGESynthNet: Controlled Scar Synthesis for Improved Scar Segmentation in Cardiac LGE-MRI Imaging

• arxiv url: http://arxiv.org/abs/2603.18356v1
• Date: Wed, 18 Mar 2026 23:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.883495
• Title: LGESynthNet: Controlled Scar Synthesis for Improved Scar Segmentation in Cardiac LGE-MRI Imaging
• Title（参考訳）: LGESynthNet:心LGE-MRI画像におけるスカーセグメンテーション改善のための制御されたスカー合成
• Authors: Athira J. Jacob, Puneet Sharma, Daniel Rueckert,
• Abstract要約: 制御可能な拡張合成のための遅延拡散に基づくフレームワークであるLGE SynthNetを紹介する。 a)条件特定監督のための報酬モデル、(b)記述的テキストプロンプトのためのキャプションモジュール、(c)生体医学的テキストエンコーダ。 たった429枚の画像(79人の患者)で訓練され、解剖学的に一貫性のあるサンプルを生成する。
• 参考スコア（独自算出の注目度）: 21.180056139848528
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Segmentation of enhancement in LGE cardiac MRI is critical for diagnosing various ischemic and non-ischemic cardiomyopathies. However, creating pixel-level annotations for these images is challenging and labor-intensive, leading to limited availability of annotated data. Generative models, particularly diffusion models, offer promise for synthetic data generation, yet many rely on large training datasets and often struggle with fine-grained conditioning control, especially for small or localized features. We introduce LGESynthNet, a latent diffusion-based framework for controllable enhancement synthesis, enabling explicit control over size, location, and transmural extent. Formulated as inpainting using a ControlNet-based architecture, the model integrates: (a) a reward model for conditioning-specific supervision, (b) a captioning module for anatomically descriptive text prompts, and (c) a biomedical text encoder. Trained on just 429 images (79 patients), it produces realistic, anatomically coherent samples. A quality control filter selects outputs with high conditioning-fidelity, which when used for training augmentation, improve downstream segmentation and detection performance, by up-to 6 and 20 points respectively.
• Abstract（参考訳）: LGE心筋MRIにおける拡張のセグメンテーションは、様々な虚血性および非虚血性心筋症を診断するために重要である。 しかし、これらの画像に対してピクセルレベルのアノテーションを作成するのは難しく、労力がかかるため、注釈付きデータの入手は限られている。 生成モデル(特に拡散モデル)は、合成データ生成の約束を提供するが、多くは大規模なトレーニングデータセットに依存し、特に小規模または局所的な機能において、きめ細かい条件付け制御に苦労する。 本稿では,LGESynthNetについて紹介する。LGESynthNetは拡張合成を制御可能なフレームワークであり,サイズ,位置,時間領域の明示的な制御を可能にする。 ControlNetベースのアーキテクチャを使ってインペイントとして表現されたモデルは、以下のとおり統合される。 (a)条件特定監督のための報酬モデル b)解剖学的に記述されたテキストプロンプトのキャプションモジュール、及び (c)バイオメディカルテキストエンコーダ。 429枚の画像(79人の患者)で訓練され、現実的で解剖学的に整合したサンプルを生成する。 品質制御フィルタは、トレーニング強化に使用する高条件の出力を選択し、下流セグメンテーションと検出性能を最大6点から20点まで向上させる。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• 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)
• Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model [12.360775476995169]
  Gated Conditional Diffusion Model (GCDM)は,マンモグラフィ画像と局所病変を共同で合成する新しいフレームワークである。 GCDMは、合成マンモグラムのリアリズムと多様性を高めながら、小さな病変領域を正確に制御する。
  論文  参考訳（メタデータ） (2025-07-25T12:10:45Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Fake It Till You Make It: Using Synthetic Data and Domain Knowledge for Improved Text-Based Learning for LGE Detection [11.532639713283226]
  臨床報告からテキストを用いてLGE検出のモデルを訓練するために,ドメイン知識に根ざした戦略を用いる。 我々は、画像の向きを解剖学的に表現した方法で標準化し、空間的特徴とテキスト的特徴のより優れたアライメントを可能にする。 モデル全体の性能に対する各デザインコンポーネントの貢献を明らかにするためのアブレーション研究が実施されている。
  論文  参考訳（メタデータ） (2025-02-18T15:30:48Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Multi-Conditioned Denoising Diffusion Probabilistic Model (mDDPM) for Medical Image Synthesis [22.0080610434872]
  アノテーションを用いた合成画像の制御生成フレームワークを提案する。 本手法は, 解剖学的に忠実に表現できる, 注記式肺CT画像を作成することができることを示す。 本実験は, この自然の制御された生成フレームワークが, ほぼすべての最先端画像生成モデルを超えることを実証した。
  論文  参考訳（メタデータ） (2024-09-07T01:19:02Z)

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。