論文の概要: 3D-LLDM: Label-Guided 3D Latent Diffusion Model for Improving High-Resolution Synthetic MR Imaging in Hepatic Structure Segmentation
- arxiv url: http://arxiv.org/abs/2603.23845v1
- Date: Wed, 25 Mar 2026 02:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.087468
- Title: 3D-LLDM: Label-Guided 3D Latent Diffusion Model for Improving High-Resolution Synthetic MR Imaging in Hepatic Structure Segmentation
- Title（参考訳）: 3D-LLDM ラベル誘導3次元潜時拡散モデルによる肝組織切片の高分解能MRイメージング
- Authors: Kyeonghun Kim, Jaehyeok Bae, Youngung Han, Joo Young Bae, Seoyoung Ju, Junsu Lim, Gyeongmin Kim, Nam-Joon Kim, Woo Kyoung Jeong, Ken Ying-Kai Liao, Won Jae Lee, Pa Hong, Hyuk-Jae Lee,
- Abstract要約: 3D-LLDMはラベル誘導3D潜在拡散モデルであり、対応する解剖学的セグメンテーションマスクを備えた高品質な合成磁気共鳴(MR)ボリュームを生成する。
Gd-EOBPA造影剤で造影した肝胆道相MR画像を用いて肝,門脈,肝静脈,肝胆道癌の構造マスクを抽出した。
データ拡張に使用すると、合成ボリュームは5つのCNNアーキテクチャで最大11.153%のDiceスコアで癌セグメンテーションを改善する。
- 参考スコア（独自算出の注目度）: 11.912761174094795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning and generative models are advancing rapidly, with synthetic data increasingly being integrated into training pipelines for downstream analysis tasks. However, in medical imaging, their adoption remains constrained by the scarcity of reliable annotated datasets. To address this limitation, we propose 3D-LLDM, a label-guided 3D latent diffusion model that generates high-quality synthetic magnetic resonance (MR) volumes with corresponding anatomical segmentation masks. Our approach uses hepatobiliary phase MR images enhanced with the Gd-EOB-DTPA contrast agent to derive structural masks for the liver, portal vein, hepatic vein, and hepatocellular carcinoma, which then guide volumetric synthesis through a ControlNet-based architecture. Trained on 720 real clinical hepatobiliary phase MR scans from Samsung Medical Center, 3D-LLDM achieves a Fréchet Inception Distance (FID) of 28.31, improving over GANs by 70.9% and over state-of-the-art diffusion baselines by 26.7%. When used for data augmentation, the synthetic volumes improve hepatocellular carcinoma segmentation by up to 11.153% Dice score across five CNN architectures.
- Abstract（参考訳）: ディープラーニングと生成モデルは急速に進歩しており、下流分析タスクのためのトレーニングパイプラインに合成データが組み込まれている。
しかし、医用画像では、信頼できる注釈付きデータセットの不足により採用が制限されている。
この制限に対処するため、3D-LLDM(ラベル誘導型3次元潜伏拡散モデル)を提案し、それに対応する解剖学的セグメンテーションマスクを用いて、高品質な合成磁気共鳴(MR)ボリュームを生成する。
Gd-EOB-DTPA造影剤で造影した肝胆道相MR画像を用いて肝,門脈,肝静脈,肝細胞癌の構造マスクを抽出し,コントロールネットによる体積合成を誘導する。
3D-LLDMはSamsung Medical Centerから720個の実臨床肝胆道MRスキャンで訓練され、28.31のFréchet Inception Distance(FID)を達成し、GANを70.9%改善し、最先端の拡散ベースラインを26.7%改善した。
データ拡張に使用すると、合成ボリュームは5つのCNNアーキテクチャで最大11.153%のDiceスコアで肝細胞癌セグメンテーションを改善する。
関連論文リスト
- UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - 3D Conditional Image Synthesis of Left Atrial LGE MRI from Composite Semantic Masks [1.452875650827562]
我々は,高忠実度3次元LGEMRIボリュームを3次元条件生成器を用いて合成するパイプラインを開発した。
SPADE-LDMは最もリアルで構造的に正確な画像を生成する。
合成LGE画像で拡張すると、3次元U-NetモデルによるLA空洞分割のためのDiceスコアが改善された。
論文 参考訳（メタデータ） (2026-01-08T04:35:40Z) - Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。
また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。
PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
論文 参考訳（メタデータ） (2025-11-07T03:51:00Z) - HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。
ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入
HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
論文 参考訳（メタデータ） (2025-07-15T13:56:37Z) - Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。
本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
論文 参考訳（メタデータ） (2025-04-11T15:37:46Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。
グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。
我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
論文 参考訳（メタデータ） (2023-11-22T21:51:29Z) - Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies [11.706960468832301]
全身MR画像から異なる脂肪組織成分の定量化と局在化が,代謝状態の解明に重要である。
本稿では,頑健で客観的なセグメンテーションを実現するために,3次元畳み込みニューラルネットワーク(DCNet)を提案する。
高速(5-7秒)かつ信頼性の高い脂肪組織セグメンテーションを高Dice重なりで得ることができる。
論文 参考訳（メタデータ） (2020-08-05T17:30:14Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。