Fugu-MT 論文翻訳(概要): Generative Drifting for Conditional Medical Image Generation

論文の概要: Generative Drifting for Conditional Medical Image Generation

arxiv url: http://arxiv.org/abs/2604.19736v1
Date: Tue, 21 Apr 2026 17:58:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-22 22:41:49.915764
Title: Generative Drifting for Conditional Medical Image Generation
Title（参考訳）: 条件付き医用画像生成のための生成ドリフト
Authors: Zirong Li, Siyuan Mei, Weiwen Wu, Andreas Maier, Lina Gölz, Yan Xia,
Abstract要約: 条件付き医用画像生成は,多くの臨床画像タスクにおいて重要な役割を担っている。本稿では,多目的学習問題として決定論的医用画像予測を再構成する生成的ドリフトフレームワークであるGDMを提案する。 GDMはドリフトを3次元の医用画像に拡張し、ジェネレータのプッシュフォワードとターゲットの分布との差を最小限に抑える。
参考スコア（独自算出の注目度）: 15.152850363322742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conditional medical image generation plays an important role in many clinically relevant imaging tasks. However, existing methods still face a fundamental challenge in balancing inference efficiency, patient-specific fidelity, and distribution-level plausibility, particularly in high-dimensional 3D medical imaging. In this work, we propose GDM, a generative drifting framework that reformulates deterministic medical image prediction as a multi-objective learning problem to jointly promote distribution-level plausibility and patient-specific fidelity while retaining one-step inference. GDM extends drifting to 3D medical imaging through an attractive-repulsive drift that minimizes the discrepancy between the generator pushforward and the target distribution. To enable stable drifting-based learning in 3D volumetric data, GDM constructs a multi-level feature bank from a medical foundation encoder to support reliable affinity estimation and drifting field computation across complementary global, local, and spatial representations. In addition, a gradient coordination strategy in the shared output space improves optimization balance under competing distribution-level and fidelity-oriented objectives. We evaluate the proposed framework on two representative tasks, MRI-to-CT synthesis and sparse-view CT reconstruction. Experimental results show that GDM consistently outperforms a wide range of baselines, including GAN-based, flow-matching-based, and SDE-based generative models, as well as supervised regression methods, while improving the balance among anatomical fidelity, quantitative reliability, perceptual realism, and inference efficiency. These findings suggest that GDM provides a practical and effective framework for conditional 3D medical image generation.
Abstract（参考訳）: 条件付き医用画像生成は,多くの臨床画像タスクにおいて重要な役割を担っている。しかし、既存の手法は、特に高次元医用画像において、推論効率、患者固有の忠実度、分布レベルの妥当性のバランスをとるという根本的な課題に直面している。本研究では,多目的学習問題として決定論的医用画像予測を再構成し,一段階の推論を維持しつつ,分布レベルの妥当性と患者固有の忠実度を協調的に促進する生成的ドリフトフレームワークであるGDMを提案する。 GDMはドリフトを3次元の医用画像に拡張し、ジェネレータのプッシュフォワードとターゲットの分布との差を最小限に抑える。 3次元ボリュームデータにおける安定なドリフトベース学習を実現するため、GDMは医療ファウンデーションエンコーダからマルチレベル特徴バンクを構築し、補完的なグローバル、ローカル、空間表現間の信頼性の高いアフィニティ推定とドリフトフィールド計算をサポートする。さらに、共有出力空間における勾配調整戦略は、競合する分布レベルおよび忠実度指向の目的下での最適化バランスを改善する。 MRI-to-CT 合成とスパース・ビューCT 再構成の2つの代表的な課題について,提案手法の評価を行った。実験結果から,GDMはGANベース,フローマッチングベース,SDEベース生成モデルなど,幅広いベースラインを一貫して上回りつつ,解剖学的忠実度,定量的信頼性,知覚的リアリズム,推論効率の向上を図っている。これらのことから,GDMは条件付き3次元医用画像生成のための実用的で効果的な枠組みを提供すると考えられる。

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)
CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification [18.95392587947337]
医用画像分類はコンピュータ支援診断(CAD)のコアタスクである眼科領域ではFlurecein fundus angiography (FFA) とIndocyanine green angiography (ICGA) が血行動態および病変・構造情報を提供する。我々は,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。
論文参考訳（メタデータ） (2026-01-28T13:40:10Z)
Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文参考訳（メタデータ） (2024-03-19T17:57:24Z)
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)
Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis [0.0]
Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。セマンティックコンディショニングを統合することで、データの不足とプライバシの問題に効果的に取り組む。視覚的忠実度の高い多様なコヒーレントな画像を生成する。
論文参考訳（メタデータ） (2023-05-29T04:14:38Z)
Multiscale Metamorphic VAE for 3D Brain MRI Synthesis [5.060516201839319]
3次元脳MRIの創発的モデリングは、データ分布の十分なカバレッジを確保しつつ、高い視覚的忠実度を達成することの難しさを示す。本研究では, この課題に対して, 可変オートエンコーダフレームワークにおける構成可能なマルチスケール形態素変換を用いて対処することを提案する。 VAEやGAN(Generative Adversarial Network)をベースとした先行作業と比較して,FIDの性能は,同等あるいは優れた再現品質を維持しつつ,大幅に向上した。
論文参考訳（メタデータ） (2023-01-09T09:15:30Z)

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。