論文の概要: MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention

• arxiv url: http://arxiv.org/abs/2604.19675v1
• Date: Tue, 21 Apr 2026 16:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.887264
• Title: MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention
• Title（参考訳）: MedFlowSeg:周波数認識による医用画像分割のためのフローマッチング
• Authors: Zhi Chen, Runze Hu, Le Zhang,
• Abstract要約: フローマッチングは、継続的インテグレーションのトランスポートマップを学習するための原則的なフレームワークとして登場した。 医用画像セグメンテーションのための条件付きフローマッチングフレームワークであるMedFlowSegを紹介する。 我々は,MedFlowSegが計算コストを大幅に削減しつつ,最先端の性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 13.250593277403079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching has recently emerged as a principled framework for learning continuous-time transport maps, enabling efficient deterministic generation without relying on stochastic diffusion processes. While generative modeling has shown promise for medical image segmentation, particularly in capturing uncertainty and complex anatomical variability, existing approaches are predominantly built upon diffusion models, which incur substantial computational overhead due to iterative sampling and are often constrained by UNet-based parameterizations. In this work, we introduce MedFlowSeg, a conditional flow matching framework that formulates medical image segmentation as learning a time-dependent vector field that transports a simple prior distribution to the target segmentation distribution. This formulation enables one-step deterministic inference while preserving the expressiveness of generative modeling. We further develop a dual-conditioning mechanism to incorporate structured priors into the learned flow. Specifically, we propose a Dual-Branch Spatial Attention module that injects multi-scale structural information into the flow field, and a Frequency-Aware Attention module that models cross-domain interactions between spatial and spectral representations via discrepancy-aware fusion and time-dependent modulation. Together, these components provide an effective parameterization of conditional flows that capture both global anatomical structure and fine-grained boundary details. We provide extensive empirical validation across multiple medical imaging modalities, demonstrating that MedFlowSeg achieves state-of-the-art performance while significantly reducing computational cost compared to diffusion-based methods. Our results highlight the potential of flow matching as a theoretically grounded and computationally efficient alternative for generative medical image segmentation.
• Abstract（参考訳）: フローマッチングは, 確率的拡散過程に頼ることなく, 効率的な決定論的生成を可能にする, 連続時間輸送マップ学習の原則的フレームワークとして最近登場した。 生成的モデリングは、医用画像のセグメンテーション、特に不確実性や複雑な解剖学的変動の把握において有望であるが、既存のアプローチは主に拡散モデルに基づいて構築されており、反復サンプリングによる計算オーバーヘッドが大きくなり、しばしばUNetベースのパラメータ化によって制約される。 本稿では,医療画像のセグメンテーションを定式化した条件付きフローマッチングフレームワークであるMedFlowSegを紹介する。 この定式化は、生成的モデリングの表現性を保ちながら一段階決定論的推論を可能にする。 さらに、構造化前処理を学習フローに組み込むための二重条件機構を開発する。 具体的には、フローフィールドにマルチスケール構造情報を注入するDual-Branch空間アテンションモジュールと、差分認識融合と時間依存変調による空間とスペクトルの相互相互作用をモデル化する周波数認識アテンションモジュールを提案する。 これらの成分は、大域解剖学的構造ときめ細かい境界の詳細の両方を捉える条件流の効果的なパラメータ化を提供する。 我々は、MedFlowSegが、拡散法に比べて計算コストを大幅に削減しつつ、最先端の性能を達成することを実証した、複数の医療画像モダリティにまたがる広範な実証的検証を提供する。 その結果, フローマッチングの可能性は, 生成医療画像セグメンテーションの理論的根拠と計算学的に効率的な代替手段として強調された。

関連論文リスト

• 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)
• Diffusion Model in Latent Space for Medical Image Segmentation Task [0.0]
  MedSegLatDiffは、変動オートエンコーダ(VAE)と遅延拡散モデルを組み合わせた拡散ベースのフレームワークで、効率的な医用画像分割を行う。 芸術または非常に競争の激しいDiceとIoUのスコアの状態を達成し、同時に多様なセグメンテーション仮説と信頼マップを生成する。
  論文  参考訳（メタデータ） (2025-12-01T05:26:43Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)

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。