論文の概要: HUydra: Full-Range Lung CT Synthesis via Multiple HU Interval Generative Modelling
- arxiv url: http://arxiv.org/abs/2603.23041v1
- Date: Tue, 24 Mar 2026 10:27:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.430475
- Title: HUydra: Full-Range Lung CT Synthesis via Multiple HU Interval Generative Modelling
- Title（参考訳）: HUydra:複数HU間隔生成モデルによるフルレンジ肺CT合成
- Authors: António Cardoso, Pedro Sousa, Tania Pereira, Hélder P. Oliveira,
- Abstract要約: 本稿では,HU領域全体を一度にモデル化するのではなく,CT画像を一度に1つのHU間隔で合成する新しい分解手法を提案する。
提案手法は従来の2次元フルレンジベースラインよりも優れており,FIDと優れたMDD,精度,リコールの6.2%向上を実現している。
本研究は, 構造認識型医用画像合成の新しいパラダイムを確立し, 生成的モデリングと臨床解釈を整合させる。
- 参考スコア（独自算出の注目度）: 0.48298211429517096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Currently, a central challenge and bottleneck in the deployment and validation of computer-aided diagnosis (CAD) models within the field of medical imaging is data scarcity. For lung cancer, one of the most prevalent types worldwide, limited datasets can delay diagnosis and have an impact on patient outcome. Generative AI offers a promising solution for this issue, but dealing with the complex distribution of full Hounsfield Unit (HU) range lung CT scans is challenging and remains as a highly computationally demanding task. This paper introduces a novel decomposition strategy that synthesizes CT images one HU interval at a time, rather than modelling the entire HU domain at once. This framework focuses on training generative architectures on individual tissue-focused HU windows, then merges their output into a full-range scan via a learned reconstruction network that effectively reverses the HU-windowing process. We further propose multi-head and multi-decoder models to better capture textures while preserving anatomical consistency, with a multi-head VQVAE achieving the best performance for the generative task. Quantitative evaluation shows this approach significantly outperforms conventional 2D full-range baselines, achieving a 6.2% improvement in FID and superior MMD, Precision, and Recall across all HU intervals. The best performance is achieved by a multi-head VQVAE variant, demonstrating that it is possible to enhance visual fidelity and variability while also reducing model complexity and computational cost. This work establishes a new paradigm for structure-aware medical image synthesis, aligning generative modelling with clinical interpretation.
- Abstract（参考訳）: 現在、医療画像分野におけるコンピュータ支援診断(CAD)モデルの展開と検証における中心的な課題とボトルネックは、データ不足である。
世界中でもっとも普及している肺がんでは、限られたデータセットが診断を遅らせ、患者の結果に影響を及ぼす可能性がある。
Generative AIはこの問題に対して有望な解決策を提供するが、フルハウンズフィールド単位(HU)範囲の肺CTスキャンの複雑な分布を扱うのは困難であり、計算に要求されるタスクとして残っている。
本稿では,HU領域全体を一度にモデル化するのではなく,CT画像を一度に1つのHU間隔で合成する新しい分解手法を提案する。
このフレームワークは、個々の組織に焦点を当てたHUウィンドウ上で生成アーキテクチャをトレーニングし、学習された再構成ネットワークを介して出力をフルレンジのスキャンにマージすることで、HUウィンドウ処理を効果的に反転させる。
さらに, マルチヘッドVQVAEを用いて, 組織的整合性を維持しつつ, テクスチャをよりよく捕捉するマルチヘッド, マルチデコーダモデルを提案する。
定量的評価は、従来の2次元フルレンジベースラインよりも大幅に向上し、FIDと優れたMDD、精度、リコールを全HU間隔で6.2%向上させたことを示している。
最高の性能はマルチヘッドのVQVAE変種によって達成され、モデルの複雑さと計算コストを低減しつつ、視覚的忠実度と可変性を向上できることを示した。
本研究は, 構造認識型医用画像合成の新しいパラダイムを確立し, 生成的モデリングと臨床解釈を整合させる。
関連論文リスト
- UniX: Unifying Autoregression and Diffusion for Chest X-Ray Understanding and Generation [98.93314262366681]
胸部X線理解・生成のための次世代統合医療基盤モデルUniXについて述べる。
UniXは2つのタスクを、理解のための自己回帰分岐と高忠実度生成のための拡散分岐に分離する。
2つの代表的なベンチマークでは、Unixは46.1%の性能向上と24.2%の世代品質向上を実現している。
論文 参考訳（メタデータ） (2026-01-16T18:59:58Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - Versatile and Efficient Medical Image Super-Resolution Via Frequency-Gated Mamba [10.69081892501522]
本稿では,FGMambaを提案する。FGMambaは,グローバルな依存性モデリングと細部拡張を軽量アーキテクチャに統合した,周波数対応のゲート状態空間モデルである。
本研究は,スケーラブルかつ高精度な医用画像強調のための周波数認識状態空間モデリングの有効性を検証した。
論文 参考訳（メタデータ） (2025-10-31T09:12:12Z) - Lung-DDPM+: Efficient Thoracic CT Image Synthesis using Diffusion Probabilistic Model [4.477223135238901]
既存の肺がん診断のための生成モデルでは、低効率で解剖学的に不正確である。
従来のモデルであるLung-DDPMを改良したLung-DDPM+を提案する。
Lung-DDPM+は肺結節を伴う高画質CT像を効果的に生成できることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-08-12T20:30:50Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。
公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
論文 参考訳（メタデータ） (2024-05-26T10:58:22Z) - Vision Transformer-based Model for Severity Quantification of Lung
Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。
本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:23Z) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - 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)
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。