論文の概要: DiffSegLung: Diffusion Radiomic Distillation for Unsupervised Lung Pathology Segmentation
- arxiv url: http://arxiv.org/abs/2605.11758v1
- Date: Tue, 12 May 2026 08:32:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.715219
- Title: DiffSegLung: Diffusion Radiomic Distillation for Unsupervised Lung Pathology Segmentation
- Title（参考訳）: DiffSegLung: Unsupervised Lung Pathology Segmentation に対する拡散放射能蒸留法
- Authors: Rezkellah Noureddine Khiati, Pierre-Yves Brillet, Catalin Fetita,
- Abstract要約: CTにおける肺病理の教師なしセグメンテーションは依然として未解決の課題である。
DiffSegLungは拡散放射能蒸留を導入するフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised segmentation of pulmonary pathologies in CT remains an open challenge due to the absence of annotated multi pathology cohorts and the failure of existing diffusion-based methods to exploit the quantitative Hounsfield Unit (HU) signal that physically distinguishes tissue classes. To address this, we propose DiffSegLung,a framework that introduces Diffusion Radiomic Distillation, in which handcrafted radiomic descriptors serve as a physics grounded teacher to shape the bottleneck of a 3D diffusion U-Net via a contrastive objective, transferring pathology discriminative structure into the learned representation without any annotations. At inference, the teacher is discarded and multitimestep bottleneck features are clustered by a Gaussian Mixture Model with HU-guided label assignment, followed by Sobel Diffusion Fusion for boundary refinement. Evaluated on 190 expert annotated axial slices drawn from four heterogeneous CT cohorts, Diff-SegLung improves segmentation across all four pathology classes over unsupervised baselines and improves generation fidelity over prior CT diffusion models.
- Abstract（参考訳）: CTにおける肺病理の教師なしセグメンテーションは、注釈付き多病理コホートが欠如していることと、組織クラスを物理的に区別する定量的ハウンズフィールド単位(HU)信号を利用する既存の拡散法が失敗したことによる、未解決の課題である。
そこで我々は,DiffSegLungを提案する。DiffSegLungはDiffusion Radiomic Distillationを導入するフレームワークで,手作りの放射能記述子を物理基礎教師として機能し,対照的な目的によって3次元拡散U-Netのボトルネックを形作る。
推定では,教師は捨てられ,HU誘導ラベル代入付きガウス混合モデルによりマルチステップのボトルネック特徴がクラスタ化され,次いで境界修正のためのソベル拡散融合が続く。
Diff-SegLungは4つの異種CTコホートから得られた190のエキスパートアノテート軸スライスに基づいて、教師なしベースライン上の4つの病理クラス間のセグメンテーションを改善し、従来のCT拡散モデルよりも生成忠実性を向上させる。
関連論文リスト
- Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis [4.554894288663752]
我々は,長期医療画像の制御可能な病期における合成の課題に対処する。
本誌のフレームワークDisentangled Anatomy Diffusionは、2つの相補的な埋め込みに潜時拡散モデルを適用している。
疾患関連チャネルを識別・抑制するクロスアテンションに基づく消去機構であるFeatureを導入する。
提案手法は,全重度レベルの高忠実度画像を生成し,スキュートクラス分布を効果的に再バランスさせる。
論文 参考訳（メタデータ） (2026-05-03T12:35:12Z) - Volumetric Directional Diffusion: Anchoring Uncertainty Quantification in Anatomical Consensus for Ambiguous Medical Image Segmentation [9.649916323072434]
Volumetric Directional Diffusion (VDD) は、生成軌跡を決定論的コンセンサスに数学的に固定する。
VDDは、トポロジカル崩壊を危険にさらすことなく、専門家の不一致に固有の微細な幾何学的変動を正確に探索する。
最終的に、VDDは、臨床医に解剖学的に一貫性のある不確実性マップを提供し、下流タスクにおけるより安全な意思決定とリスク軽減を可能にする。
論文 参考訳（メタデータ） (2026-03-04T12:58:43Z) - AWDiff: An a trous wavelet diffusion model for lung ultrasound image synthesis [5.0322920296798435]
肺超音波(LUS)は安全かつポータブルな画像モダリティであるが、データの不足により、画像解釈と疾患モニタリングのための機械学習手法の開発が制限される。
A Trous Wavelet Diffusion (AWDiff) は、トロイスウェーブレットを統合して微細構造を保存するための拡散に基づく拡張フレームワークである。
AWDiffは既存の方法に比べて歪みが低く、知覚品質も高く、構造的忠実度と臨床多様性の両方を実証した。
論文 参考訳（メタデータ） (2026-03-03T15:57:57Z) - Kidney Cancer Detection Using 3D-Based Latent Diffusion Models [0.5910408333592895]
本研究は, 弱教師付き異常検出のための3次元潜伏拡散の可能性と可能性を示す。
以上の結果から, 複雑な腹部解剖のアノテーション効率, 生成的モデリングへの重要な一歩が示唆された。
論文 参考訳（メタデータ） (2026-01-09T15:30:00Z) - FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。
FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。
まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。
第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文 参考訳（メタデータ） (2025-08-24T11:03:56Z) - Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。
相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
論文 参考訳（メタデータ） (2024-03-13T12:26:55Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z)
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。