論文の概要: FOSCU: Feasibility of Synthetic MRI Generation via Duo-Diffusion Models for Enhancement of 3D U-Nets in Hepatic Segmentation

• arxiv url: http://arxiv.org/abs/2603.29343v1
• Date: Tue, 31 Mar 2026 07:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.244146
• Title: FOSCU: Feasibility of Synthetic MRI Generation via Duo-Diffusion Models for Enhancement of 3D U-Nets in Hepatic Segmentation
• Title（参考訳）: FOSCU: 肝分節における3次元U-Netの増強のための二重拡散モデルによる合成MRI生成の可能性
• Authors: Youngung Han, Kyeonghun Kim, Seoyoung Ju, Yeonju Jean, Minkyung Cha, Seohyoung Park, Hyeonseok Jung, Nam-Joon Kim, Woo Kyoung Jeong, Ken Ying-Kai Liao, Hyuk-Jae Lee,
• Abstract要約: Duo-Diffusion は ControlNet を用いた3次元潜伏拡散モデルである。 高分解能で解剖学的にリアルな合成MRIボリュームと対応するセグメンテーションラベルを生成する。 空間的な一貫性と正確な解剖学的詳細を保証するために、セグメンテーション条件の拡散を用いる。
• 参考スコア（独自算出の注目度）: 10.129958145676412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation faces fundamental challenges including restricted access, costly annotation, and data shortage to clinical datasets through Picture Archiving and Communication Systems (PACS). These systemic barriers significantly impede the development of robust segmentation algorithms. To address these challenges, we propose FOSCU, which integrates Duo-Diffusion, a 3D latent diffusion model with ControlNet that simultaneously generates high-resolution, anatomically realistic synthetic MRI volumes and corresponding segmentation labels, and an enhanced 3D U-Net training pipeline. Duo-Diffusion employs segmentation-conditioned diffusion to ensure spatial consistency and precise anatomical detail in the generated data. Experimental evaluation on 720 abdominal MRI scans shows that models trained with combined real and synthetic data yield a mean Dice score gain of 0.67% over those using only real data, and achieve a 36.4% reduction in Fréchet Inception Distance (FID), reflecting enhanced image fidelity.
• Abstract（参考訳）: 医用画像のセグメンテーションは、Picture Archiving and Communication Systems (PACS)を通じて臨床データセットへのアクセス制限、コストのかかるアノテーション、データ不足など、基本的な課題に直面している。 これらのシステム的障壁は、堅牢なセグメンテーションアルゴリズムの開発を著しく妨げた。 これらの課題に対処するために、Duo-Diffusion、高解像度で解剖学的にリアルな合成MRIボリュームと対応するセグメンテーションラベルを同時に生成するControlNetによる3次元潜伏拡散モデル、および拡張された3次元U-Netトレーニングパイプラインを統合したFOSCUを提案する。 Duo-Diffusionは、空間的一貫性と、生成されたデータの正確な解剖学的詳細を保証するために、セグメンテーション条件の拡散を用いる。 720腹部MRIによる実験的評価では、実データと合成データの組み合わせで訓練されたモデルでは、Diceスコアが実際のデータのみを使用するモデルよりも0.67%上昇し、Fréchet Inception Distance (FID) が36.4%減少し、画像の忠実度が向上したことが示されている。

関連論文リスト

• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• 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)
• Improving 2D Diffusion Models for 3D Medical Imaging with Inter-Slice Consistent Stochasticity [47.52394044948656]
  ICS(Inter-Slice Consistentity)は、拡散サンプリング中のインタースライス一貫性を促進する戦略である。 ISCSは、追加の計算コストなしで、任意の2Dトレーニングされた拡散ベースの3D再構成パイプラインにドロップすることができる。
  論文  参考訳（メタデータ） (2026-02-04T02:54:08Z)
• 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)
• Multimodal Fusion at Three Tiers: Physics-Driven Data Generation and Vision-Language Guidance for Brain Tumor Segmentation [8.695435245976482]
  本稿では,脳腫瘍の正確なセグメンテーションを実現する3層融合アーキテクチャを提案する。 この方法は、画素、特徴、意味レベルで情報を段階的に処理する。 我々は,脳腫瘍(BraTS)2020,2021,2023データセットの検証を行った。
  論文  参考訳（メタデータ） (2025-07-14T06:32:59Z)
• TSUBF-Net: Trans-Spatial UNet-like Network with Bi-direction Fusion for Segmentation of Adenoid Hypertrophy in CT [15.491823587869087]
  アデノイド肥大は小児における閉塞型睡眠時無呼吸症候群の一般的な原因である。 3次元医用画像分割フレームワークであるTSUBF-Netを紹介する。 TSUBF-NetはHD95:7.03、IoU:85.63、DSC:92.26という最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-12-01T12:21:23Z)
• Towards Synergistic Deep Learning Models for Volumetric Cirrhotic Liver Segmentation in MRIs [1.5228650878164722]
  世界的死亡の主な原因である肝硬変は、効果的な疾患モニタリングと治療計画のためにROIを正確に区分する必要がある。 既存のセグメンテーションモデルは、複雑な機能インタラクションをキャプチャして、さまざまなデータセットをまたいだ一般化に失敗することが多い。 本稿では、補間潜在空間を拡張的特徴相互作用モデリングに活用する新しい相乗論的理論を提案する。
  論文  参考訳（メタデータ） (2024-08-08T14:41:32Z)
• 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)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。