Fugu-MT 論文翻訳(概要): VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation

論文の概要: VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation

arxiv url: http://arxiv.org/abs/2604.22942v1
Date: Fri, 24 Apr 2026 18:32:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-28 17:12:07.063494
Title: VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation
Title（参考訳）: VS-DDPM:医療用モダリティ翻訳のための効率的な低コスト拡散モデル
Authors: Nikoo Moradi, Gijs Luijten, Behrus Hinrichs-Puladi, Jens Kleesiek, Victor Alves, Jan Egger, André Ferreira,
Abstract要約: 拡散モデルは高品質な合成データを生成するが、推論が遅い。可変ステップ拡散確率モデル(VS-DDPM)を提案する。我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
参考スコア（独自算出の注目度）: 5.653007117827187
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion models produce high-quality synthetic data but suffer from slow inference. We propose 3D Variable-Step Denoising Diffusion Probabilistic Model (VS-DDPM) a framework engineered to maintain generative quality while accelerating inference by several factors. We tested our approach on four tasks (missing MRI, tumor removal, MRI-to-sCT, and CBCT-to-sCT) within the BraTS2025 and SynthRAD2025 challenges. Designed for high efficiency under hardware and time constrains imposed by both challenges. VS-DDPM achieved state-of-the-art (SOTA) performance in missing MRI synthesis, yielding Dice scores of 0.80, 0.83, and 0.88 for the enhancing tumor, tumor core, and whole tumor regions, respectively, alongside a structural similarity index (SSIM) of 0.95. For MRI tumor removal, the model attained a root mean squared error (RMSE) of 0.053, a peak signal-to-noise ratio (PSNR) of 26.77, and an SSIM of 0.918. While the framework demonstrated competitive performance in MRI-to-sCT and CBCT-to-sCT tasks, it did not reach SOTA benchmarks, potentially due to sensitivities in data pre and post-processing pipelines or specific loss function configurations. These results demonstrate that VS-DDPM provides a robust and tunable solution for high-fidelity 3D medical image synthesis. The code is available in https://github.com/andre-fs-ferreira/SynthRAD_by_Faking_it.
Abstract（参考訳）: 拡散モデルは高品質な合成データを生成するが、推論が遅い。提案する3次元可変ステップ拡散確率モデル(VS-DDPM)は,数因子による推論の高速化を図りつつ,生成品質の維持を図ったフレームワークである。我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。ハードウェア下での高効率と、両方の課題によって課せられる時間制約のために設計された。 VS-DDPMは, 腫瘍, 腫瘍コア, 全腫瘍領域のDiceスコアが0.80, 0.83, 0.88, 構造類似度指数が0.95であった。 MRI腫瘍摘出では,根平均2乗誤差(RMSE)0.053,ピーク信号-雑音比(PSNR)26.77,SSIM0.918が得られた。このフレームワークはMRI-to-sCTタスクとCBCT-to-sCTタスクの競合性能を示したが、SOTAベンチマークには到達しなかった。これらの結果から,VS-DDPMは高忠実度3次元医用画像合成のための堅牢でチューニング可能なソリューションであることが示された。コードはhttps://github.com/andre-fs-ferreira/SynthRAD_by_Faking_itで公開されている。

関連論文リスト

A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文参考訳（メタデータ） (2026-03-13T18:54:20Z)
MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction [0.42970700836450487]
クロスモーダルMRI合成は、ある取得プロトコルから別の取得プロトコルを使って画像を生成する。本稿では, Pix2Pix GAN, CycleGAN, variational Autoencoder (VAE) の3種類のT1-to-T2MRI再構成モデルの比較を行った。
論文参考訳（メタデータ） (2026-02-05T19:07:58Z)
GANeXt: A Fully ConvNeXt-Enhanced Generative Adversarial Network for MRI- and CBCT-to-CT Synthesis [4.966806084618106]
我々は3Dパッチベースの完全ConvNeXtによるCT合成のための生成対向ネットワークであるGANeXtを提案する。特に、GANeXtは、3D ConvNeXtブロックとコンパクトカーネルを積み重ねた効率的なU字型ジェネレータを使用している。合成品質を向上させるため、平均絶対誤差(MAE)、知覚的損失、セグメンテーションに基づくマスクMAE、対向的損失を含む損失関数の組み合わせを組み込んだ。
論文参考訳（メタデータ） (2025-12-22T12:32:16Z)
BrainCSD: A Hierarchical Consistency-Driven MoE Foundation Model for Unified Connectome Synthesis and Multitask Brain Trait Prediction [33.650792366699385]
機能的および構造的接続(FC/SC)は、脳分析の鍵となるバイオマーカーであるが、その臨床的有用性は、高価な取得、複雑な前処理、そして頻繁に欠落するモダリティによって妨げられている。我々は、FC/SCバイオマーカーを共同で合成し、下流デコードタスク(診断と予測)をサポートする階層的混合専門家基盤モデルであるBrainCSDを提案する。 FC RMSE:0.038、SC RMSE:0.006、脳年齢予測(MAE:4.04年)、MMSEスコア(MAE:1.72点)
論文参考訳（メタデータ） (2025-11-07T04:40:47Z)
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)
EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文参考訳（メタデータ） (2025-09-26T05:51:59Z)
Parameter-Efficient Fine-Tuning of 3D DDPM for MRI Image Generation Using Tensor Networks [23.30947697113457]
3次元U-Netを用いた拡散確率モデル(DDPM)におけるパラメータ効率細調整(PEFT)の課題に対処する。本研究では,3次元畳み込みバックボーンを有するDDPMを微調整するための新しいPEFT手法であるTenVOOを提案する。この結果から, マルチスケール類似度指標(MS-SSIM)において, TenVOO が最先端の性能を達成することを示す。
論文参考訳（メタデータ） (2025-07-24T05:51:51Z)
$M^{2}$Fusion: Bayesian-based Multimodal Multi-level Fusion on Colorectal Cancer Microsatellite Instability Prediction [37.210658002943525]
大腸癌 (CRC) による病理組織像のマイクロサテライト不安定性 (MSI) 予測は, 弱い教師付き学習課題である。 M2$Fusion: CRC MSI予測のためのベイズ型マルチモーダル多層核融合パイプラインを提案する。提案手法は,352例のクロスバリデーションで検証され,特徴レベル (0.8177 vs. 0.7908) と決定レベル融合戦略 (0.8177 vs. 0.7289) のどちらよりも優れていた。
論文参考訳（メタデータ） (2024-01-15T17:28:58Z)
COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
論文参考訳（メタデータ） (2020-12-10T08:30:46Z)

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。