論文の概要: Controllable Lung Nodule Synthesis via Histogram-Regularized Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.30631v1
• Date: Thu, 28 May 2026 22:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.272069
• Title: Controllable Lung Nodule Synthesis via Histogram-Regularized Latent Diffusion Models
• Title（参考訳）: ヒストグラム規則化潜在拡散モデルによる制御可能な肺結節合成
• Authors: Arunkumar Kannan, Yanbo Zhang, Han Liu, Michael Baumgartner, Jianing Wang, Alexander Hertel, Bogdan Georgescu, Sasa Grbic,
• Abstract要約: 拡散に基づく生成モデルは、データ合成に有望な戦略を提供する。 肺結節を全3次元CTボリュームで合成する制御可能な潜在拡散モデルを提案する。 このフレームワークは,定量的な測定値と視覚的チューリングテストの両方を通して,強力なビジュアルリアリズムを実現する。
• 参考スコア（独自算出の注目度）: 42.11515368961642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While automated diagnosis systems have achieved remarkable success in computed tomography (CT)-based lung cancer screening, their development remains limited by the scarcity of diverse, annotated pulmonary nodule datasets. Diffusion-based generative models offer a promising strategy for data synthesis; however, many existing conditional approaches primarily optimize spatial reconstruction losses, which encourage voxel-wise similarity but may inadequately constrain lesion-level intensity distributions. As a result, these methods may produce over-smoothed texture profiles and underrepresent the distinct attenuation characteristics of different nodule subtypes, including solid, part-solid, and ground-glass nodules. To address this challenge, we propose a controllable latent diffusion model that synthesizes pulmonary nodules within full 3D CT volumes while accurately modeling nodule-specific intensity distributions. Specifically, rather than relying solely on spatial losses, we introduce a histogram-based regularization term that constrains voxel intensity distributions during the generative process. The model combines subtype, spatial mask, and Hounsfield unit (HU) histogram conditioning with the differentiable feature-space histogram regularization term to better align lesion-level intensity distributions, improving the visual plausibility and subtype consistency of synthesized nodules. Extensive experiments on lung CT data demonstrate that our framework achieves strong visual realism, validated through both quantitative metrics and a visual Turing test. Furthermore, when used for data augmentation, the generated nodules improve performance in downstream clinical tasks, particularly for underrepresented nodule subtypes, and show a potential benefit for subtype-informed malignancy classification.
• Abstract（参考訳）: 自動診断システムはCTによる肺がん検診において顕著な成功を収めてきたが、多彩な注釈付き肺結節データセットの不足により、その発達は依然として限られている。 拡散に基づく生成モデルは、データ合成に有望な戦略を提供するが、多くの既存の条件付きアプローチは、主に空間再構成損失を最適化し、ボクセルの類似性を促進するが、病変レベルの強度分布を適切に制限しない。 その結果, これらの手法は, 固形, 部分固形, 接地ガラスの結節を含む, 異なる結節サブタイプの異なる減衰特性を下記に表すことができる。 そこで本研究では, 結節特異的強度分布を正確にモデル化し, 肺結節を3次元CTボリューム内に合成する制御可能な潜在拡散モデルを提案する。 具体的には、空間的損失にのみ依存するのではなく、生成過程のボクセル強度分布を制約するヒストグラムに基づく正規化項を導入する。 このモデルは、サブタイプ、空間マスク、ハウンズフィールドユニット(HU)ヒストグラム条件と異なる特徴空間ヒストグラム正規化項を組み合わせることで、病変レベルの強度分布をより良く整列させ、合成した結節の視覚的可視性とサブタイプ整合性を改善する。 肺CTデータに対する大規模な実験により,我々のフレームワークは,定量的な測定値と視覚的チューリングテストの両方を通して,強い視覚的リアリズムを達成できることが証明された。 さらに、データ拡張に使用する場合、生成した結節は、下流の臨床的タスク、特に表現不足の結節サブタイプのパフォーマンスを改善し、サブタイプインフォームド悪性度分類の潜在的利点を示す。

関連論文リスト

• A Diffusion-Driven Fine-Grained Nodule Synthesis Framework for Enhanced Lung Nodule Detection from Chest Radiographs [2.45811518457038]
  胸部X線写真(CXR)における肺癌の早期発見は,患者の予後改善に不可欠である。 放射線学的特性の微妙な外観と変動性のため、結節検出は依然として困難である。 本稿では,低ランク適応 (LoRA) アダプタを用いた新しい拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T09:43:58Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Subtyping Breast Lesions via Generative Augmentation based Long-tailed Recognition in Ultrasound [8.410718166932798]
  本稿では,高忠実度データ合成による分布バイアスを緩和する長鎖分類のためのフレームワークを提案する。 提案手法は,最先端手法と比較して有望な性能を実現する。
  論文  参考訳（メタデータ） (2025-07-30T10:50:41Z)
• Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model [12.360775476995169]
  Gated Conditional Diffusion Model (GCDM)は,マンモグラフィ画像と局所病変を共同で合成する新しいフレームワークである。 GCDMは、合成マンモグラムのリアリズムと多様性を高めながら、小さな病変領域を正確に制御する。
  論文  参考訳（メタデータ） (2025-07-25T12:10:45Z)
• 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)
• FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
  フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。 スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。 本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)

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。