論文の概要: Synthetic Cardiac MRI Image Generation using Deep Generative Models

• arxiv url: http://arxiv.org/abs/2603.24764v1
• Date: Wed, 25 Mar 2026 19:37:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.964809
• Title: Synthetic Cardiac MRI Image Generation using Deep Generative Models
• Title（参考訳）: 深部生成モデルを用いた合成心臓MRI画像生成
• Authors: Ishan Kumarasinghe, Dasuni Kawya, Madhura Edirisooriya, Isuri Devindi, Isuru Nawinne, Vajira Thambawita,
• Abstract要約: 人工心臓MRI(CMRI)は, 注記医用画像データの不足を克服するための有望な戦略として浮上している。 GAN、VAE、拡散確率モデル、フローマッチング技術の最近の進歩は、解剖学的に正確な画像を生成することを目的としている。 このレビューは、忠実度、実用性、プライバシのレンズによる既存のCMRI生成アプローチを比較することを目的としている。
• 参考スコア（独自算出の注目度）: 0.4733942082447995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic cardiac MRI (CMRI) generation has emerged as a promising strategy to overcome the scarcity of annotated medical imaging data. Recent advances in GANs, VAEs, diffusion probabilistic models, and flow-matching techniques aim to generate anatomically accurate images while addressing challenges such as limited labeled datasets, vendor variability, and risks of privacy leakage through model memorization. Maskconditioned generation improves structural fidelity by guiding synthesis with segmentation maps, while diffusion and flowmatching models offer strong boundary preservation and efficient deterministic transformations. Cross-domain generalization is further supported through vendor-style conditioning and preprocessing steps like intensity normalization. To ensure privacy, studies increasingly incorporate membership inference attacks, nearest-neighbor analyses, and differential privacy mechanisms. Utility evaluations commonly measure downstream segmentation performance, with evidence showing that anatomically constrained synthetic data can enhance accuracy and robustness across multi-vendor settings. This review aims to compare existing CMRI generation approaches through the lenses of fidelity, utility, and privacy, highlighting current limitations and the need for integrated, evaluation-driven frameworks for reliable clinical workflows.
• Abstract（参考訳）: 人工心臓MRI(Synthetic Heartc MRI, CMRI)は, 注記医用画像データの不足を克服するための有望な戦略である。 GAN、VAE、拡散確率モデル、フローマッチング技術の最近の進歩は、限定ラベル付きデータセット、ベンダーの多様性、モデル記憶によるプライバシー漏洩のリスクといった課題に対処しながら、解剖学的に正確な画像を生成することを目的としている。 マスク条件付き生成は、セグメンテーションマップによる合成を導くことによって構造忠実度を向上させる一方、拡散とフローマッチングモデルは、強い境界保存と効率的な決定論的変換を提供する。 クロスドメインの一般化は、ベンダースタイルの条件付けや、強度正規化のような前処理ステップによってさらにサポートされます。 プライバシーを確保するために、研究はメンバーシップ推論攻撃、最寄りの分析、および差分プライバシーメカニズムをますます取り入れている。 実用性評価は、一般的に下流セグメンテーションのパフォーマンスを測定し、解剖学的に制約された合成データが、マルチベンダ設定における正確性と堅牢性を高めることを証明している。 このレビューは、既存のCMRI生成アプローチを、忠実度、ユーティリティ、プライバシのレンズで比較することを目的としており、現在の制限と信頼性のある臨床ワークフローのための統合的評価駆動フレームワークの必要性を強調している。

関連論文リスト

• Towards Trustworthy Selective Generation: Reliability-Guided Diffusion for Ultra-Low-Field to High-Field MRI Synthesis [7.756520887774262]
  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。
  論文  参考訳（メタデータ） (2026-03-11T21:38:22Z)
• 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)
• Balancing Fidelity, Utility, and Privacy in Synthetic Cardiac MRI Generation: A Comparative Study [0.43217519111088665]
  心臓MRI(CMR)の深層学習は、データ不足とプライバシ規制の両方によって根本的に制限されている。 本研究では,拡散確率モデル(DDPM),潜時拡散モデル(LDM),フローマッチング(FM)の3つの生成アーキテクチャをベンチマークする。 生成したデータを3つの重要な軸 – 忠実性,ユーティリティ,プライバシ – で評価する。
  論文  参考訳（メタデータ） (2026-03-04T17:59:00Z)
• 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)
• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。