論文の概要: WFM: 3D Wavelet Flow Matching for Ultrafast Multi-Modal MRI Synthesis

• arxiv url: http://arxiv.org/abs/2604.21146v1
• Date: Wed, 22 Apr 2026 23:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.210998
• Title: WFM: 3D Wavelet Flow Matching for Ultrafast Multi-Modal MRI Synthesis
• Title（参考訳）: WFM:超高速マルチモードMRI合成のための3次元ウェーブレットフローマッチング
• Authors: Yalcin Tur, Mihajlo Stojkovic, Ulas Bagci,
• Abstract要約: WFM(Wavelet Flow Matching, ウェーブレットフローマッチング)は, ウェーブレット空間における条件付きモーダル性の平均から, ターゲット分布への直接フローを学習する手法である。 BraTS 2024では、WFMは拡散ベースラインの1-2dB以内で26.8dB PSNRと0.94SSIMを達成した。
• 参考スコア（独自算出の注目度）: 6.254452637507739
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have achieved remarkable quality in multi-modal MRI synthesis, but their computational cost (hundreds of sampling steps and separate models per modality) limits clinical deployment. We observe that this inefficiency stems from an unnecessary starting point: diffusion begins from pure noise, discarding the structural information already present in available MRI sequences. We propose WFM (Wavelet Flow Matching), which instead learns a direct flow from an informed prior, the mean of conditioning modalities in wavelet space, to the target distribution. Because the source and target share underlying anatomy and differ primarily in contrast, this formulation enables accurate synthesis in just 1-2 integration steps. A single 82M-parameter model with class conditioning synthesizes all four BraTS modalities (T1, T1c, T2, FLAIR), replacing four separate diffusion models totaling 326M parameters. On BraTS 2024, WFM achieves 26.8 dB PSNR and 0.94 SSIM, within 1-2 dB of diffusion baselines, while running 250-1000x faster (0.16-0.64s vs. 160s per volume). This speed-quality trade-off makes real-time MRI synthesis practical for clinical workflows. Code is available at https://github.com/yalcintur/WFM.
• Abstract（参考訳）: 拡散モデルはマルチモーダルMRI合成において顕著な品質を達成しているが、その計算コスト(サンプリングステップの数百、モーダル毎の分離モデル)は臨床展開を制限している。 拡散は純粋なノイズから始まり、利用可能なMRIシーケンスに存在する構造情報を破棄する。 WFM(Wavelet Flow Matching)は,ウェーブレット空間における条件条件の平均である事前情報から目標分布への直接フローを学習する手法である。 ソースとターゲットは解剖学の基盤を共有し、主に対照的に異なるため、この定式化はわずか1-2の積分ステップで正確な合成を可能にする。 クラス条件付き82Mパラメータモデルは、4つのBraTSモダリティ(T1, T1c, T2, FLAIR)を合成し、合計326Mパラメータの4つの異なる拡散モデルを置き換える。 BraTS 2024では、WFMは拡散ベースラインの1-2dB以内で26.8dBのPSNRと0.94SSIMを達成し、250-1000倍高速(0.16-0.64s vs. 160s)である。 この高速なトレードオフにより、リアルタイムMRI合成が臨床ワークフローに実用的になる。 コードはhttps://github.com/yalcintur/WFMで公開されている。

関連論文リスト

• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation [7.487974687364868]
  ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-29T02:22:55Z)
• SLaM-DiMM: Shared Latent Modeling for Diffusion Based Missing Modality Synthesis in MRI [0.0]
  脳MRIスキャンは、T1強調画像(T1ceとT1w)、T2強調画像(T2w)、Frairの4つのモードでしばしば見られる。 SLaM-DiMMは、拡散モデルのパワーを利用して、他の利用可能なモダリティから4つのMRIモダリティのいずれかを合成する新しいモダリティ生成フレームワークである。
  論文  参考訳（メタデータ） (2025-09-19T14:27:35Z)
• Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
  Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。 Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
  論文  参考訳（メタデータ） (2025-06-24T17:58:02Z)
• Inductive Moment Matching [80.96561758341664]
  Inductive Moment Matching (IMM) は1段階または数段階のサンプリングのための新しい生成モデルである。 IMMはImageNet-256x256上の拡散モデルを8ステップのみを用いて1.99 FIDで上回り、CIFAR-10上で1.98の最先端の2ステップFIDをスクラッチから訓練したモデルで達成する。
  論文  参考訳（メタデータ） (2025-03-10T17:37:39Z)
• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• CoLa-Diff: Conditional Latent Diffusion Model for Multi-Modal MRI Synthesis [11.803971719704721]
  ほとんどの拡散ベースのMRI合成モデルは単一のモードを使用している。 拡散型多モードMRI合成モデル、すなわち条件付き潜在拡散モデル(CoLa-Diff)を提案する。 実験により、CoLa-Diffは他の最先端MRI合成法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-24T15:46:10Z)

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。