論文の概要: Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images
- arxiv url: http://arxiv.org/abs/2604.10084v1
- Date: Sat, 11 Apr 2026 08:06:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.831075
- Title: Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images
- Title（参考訳）: 能動拡散マッチング: スコアに基づく横断型網膜画像の反復アライメント
- Authors: Kanggeon Lee, Su Jeong Song, Soochahn Lee, Kyoung Mu Lee,
- Abstract要約: 本研究は,SFI(Standard Fundus Images)とUWFI(Ultra-Widefield Fundus Images)の連携の課題に対処することを目的とする。
現在、このタスクには特別な方法はなく、既存の画像アライメント技術には精度が欠けている。
クロスモーダルアライメント法であるActive Diffusion Matching (ADM)を提案する。
- 参考スコア（独自算出の注目度）: 43.88837473377858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: The study aims to address the challenge of aligning Standard Fundus Images (SFIs) and Ultra-Widefield Fundus Images (UWFIs), which is difficult due to their substantial differences in viewing range and the amorphous appearance of the retina. Currently, no specialized method exists for this task, and existing image alignment techniques lack accuracy. Methods: We propose Active Diffusion Matching (ADM), a novel cross-modal alignment method. ADM integrates two interdependent score-based diffusion models to jointly estimate global transformations and local deformations via an iterative Langevin Markov chain. This approach facilitates a stochastic, progressive search for optimal alignment. Additionally, custom sampling strategies are introduced to enhance the adaptability of ADM to given input image pairs. Results: Comparative experimental evaluations demonstrate that ADM achieves state-of-the-art alignment accuracy. This was validated on two datasets: a private dataset of SFI-UWFI pairs and a public dataset of SFI-SFI pairs, with mAUC improvements of 5.2 and 0.4 points on the private and public datasets, respectively, compared to existing state-of-the-art methods. Conclusion: ADM effectively bridges the gap in aligning SFIs and UWFIs, providing an innovative solution to a previously unaddressed challenge. The method's ability to jointly optimize global and local alignment makes it highly effective for cross-modal image alignment tasks. Significance: ADM has the potential to transform the integrated analysis of SFIs and UWFIs, enabling better clinical utility and supporting learning-based image enhancements. This advancement could significantly improve diagnostic accuracy and patient outcomes in ophthalmology.
- Abstract（参考訳）: 目的:本研究は,視程や網膜の非晶質な外観に大きく違いがあるため,標準眼底画像(SFI)とウルトラウインドフィールド眼底画像(UWFI)の整合が難しい課題に対処することを目的としている。
現在、このタスクには特別な方法はなく、既存の画像アライメント技術には精度が欠けている。
方法: クロスモーダルアライメント法であるアクティブ拡散マッチング(ADM)を提案する。
ADMは2つの相互依存的なスコアベース拡散モデルを統合し、反復的なランゲヴィン・マルコフ連鎖を介して大域的な変換と局所的な変形を共同で推定する。
このアプローチは確率的かつプログレッシブな最適アライメント探索を容易にする。
さらに、入力画像対へのADMの適用性を高めるために、カスタムサンプリング戦略が導入された。
結果: 比較実験により, ADMが最先端のアライメント精度を達成することが示された。
これはSFI-UWFIペアのプライベートデータセットとSFI-SFIペアのパブリックデータセットの2つのデータセットで検証された。
結論: ADM は SFI と UWFI の整合性のギャップを効果的に埋め、未解決の課題に対する革新的な解決策を提供する。
グローバルなアライメントと局所的なアライメントを共同で最適化する手法は、クロスモーダルな画像アライメントタスクに非常に効果的である。
意義:ADMは、SFIとUWFIの統合分析を変換し、より良い臨床ユーティリティと学習に基づく画像強化をサポートする可能性がある。
この進歩は、眼科における診断精度と患者の予後を著しく改善する可能性がある。
関連論文リスト
- Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images [47.944896477309555]
標準ファンドス画像(SFI)とウルトラウェードフィールドファンドス画像(UWFI)のためのロバストアライメント手法を提案する。
本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。
PDMは複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-11T08:09:53Z) - LatentFM: A Latent Flow Matching Approach for Generative Medical Image Segmentation [0.0]
医用画像セグメンテーションのためのフローベースモデルであるLatentFMを提案する。
複数の潜在表現をサンプリングすることにより,多様なセグメンテーション出力を合成する。
提案手法は,潜在空間において高い効率を保ちながら,より優れた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） (2025-12-04T14:06:08Z) - MDPG: Multi-domain Diffusion Prior Guidance for MRI Reconstruction [0.4893345190925178]
MRI再構成タスクにおけるデータの一貫性を高めるために,MDPG(Multi- Domain Diffusion Prior Guidance)を提案する。
具体的には、まず、アンダーサンプル画像の効率的なエンコーディングと再構成を可能にする、ビジュアルマンバベースのバックボーンを構築する。
多レベル潜伏領域における効率的な融合のための新しい潜伏誘導注意(LGA)を提案する。
論文 参考訳（メタデータ） (2025-06-30T10:25:08Z) - AMF-MedIT: An Efficient Align-Modulation-Fusion Framework for Medical Image-Tabular Data [7.738256774143484]
AMF-MedITは医用画像と表データ統合のための効率的なフレームワークである。
次元の相違を調和させ、モダリティの寄与を動的にバランスさせる。
マルチモーダル分類タスクにおける精度、堅牢性、データの効率性が向上する。
論文 参考訳（メタデータ） (2025-06-24T09:10:35Z) - DMS-Net:Dual-Modal Multi-Scale Siamese Network for Binocular Fundus Image Classification [8.86559854172874]
両眼網膜画像分類のためのデュアルモードマルチスケールシアムネットワークであるDMS-Netを提案する。
このフレームワークは、両眼の眼底画像から深い意味的特徴を同時に抽出するために、重量共有型ResNet-152アーキテクチャを使用している。
精度は82.9%、リコールは84.5%、コーエンのカッパ係数は83.2%である。
論文 参考訳（メタデータ） (2025-04-25T03:27:28Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳（メタデータ） (2021-03-02T08:20:08Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。