論文の概要: Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion

• arxiv url: http://arxiv.org/abs/2606.09378v1
• Date: Mon, 08 Jun 2026 11:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.953447
• Title: Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion
• Title（参考訳）: Echo-DM: 条件付き潜伏拡散と領域認識融合による超音波マーカー除去
• Authors: Zhiwei Wang, Tao Huang, Wentao Jiang, Muyi Li, Jianxin Liu, Jian Chen, Jie Zou, Yong Luo, Bo Du, Jing Zhang,
• Abstract要約: マーカーは下流の自動分析にショートカットバイアスを導入することができる。 条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
• 参考スコア（独自算出の注目度）: 50.02433280054874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical ultrasound images often contain artificial markers, such as measurement calipers and text, to assist diagnostic interpretation and comparison. However, these markers can introduce shortcut bias in downstream automated analysis, encouraging deep learning models to rely on marker-related cues rather than clinically meaningful anatomy. Existing marker removal methods are either mask-dependent and vulnerable to error propagation, or mask-free deterministic restorers that may over-smooth ultrasound texture and perturb unaffected background regions. To address these challenges, we present Echo-DM, a framework for ultrasound marker removal via conditional latent diffusion and region-aware fusion. Echo-DM follows a common encoder-diffusion-decoder pipeline, where a DiT-based conditional latent diffusion network performs global restoration and a region-aware fusion module enforces preservation-aware image-space refinement under end-to-end mask-free inference. Building on this fixed core design, we further instantiate Echo-DM-V and Echo-DM-R with VAE-based and RAE-based latent modules, respectively, which demonstrates that the Echo-DM architecture is compatible with diverse latent-module instantiations. Extensive experiments on Echo-PAIR, a large-scale paired clinical ultrasound dataset, demonstrate superior marker removal and strong anatomical fidelity compared with representative two-stage baselines, while providing favorable quality--efficiency trade-offs across deployment settings. Data, code and models will be released at https://github.com/MiliLab/Echo-DM.
• Abstract（参考訳）: 臨床超音波画像は、診断の解釈と比較を支援するために、測定校正器やテキストなどの人工マーカーを含むことが多い。 しかし、これらのマーカーは下流の自動化分析にショートカットバイアスを導入し、深層学習モデルが臨床的に意味のある解剖学ではなくマーカーに関連する手がかりに依存するように促す。 既存のマーカー除去法は、マスクに依存し、エラーの伝播に弱いか、あるいは非滑らかなテクスチャや乱れのない背景領域に影響を及ぼすマスクのない決定論的復元器である。 これらの課題に対処するために,条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 Echo-DMは、共通のエンコーダ拡散デコーダパイプラインに従い、DiTベースの条件付き潜伏拡散ネットワークがグローバルな復元を行い、リージョン対応の融合モジュールが、エンドツーエンドのマスクフリー推論の下で保存対応画像空間の洗練を強制する。 この固定コア設計に基づいて,Echo-DM-V と Echo-DM-R を VAE ベースおよび RAE ベースの潜在モジュールでそれぞれインスタンス化する。 大規模な超音波検査データセットであるEcho-PAIRの大規模な実験は、代表的な2段階ベースラインに比べて優れたマーカー除去と強力な解剖学的忠実度を示し、デプロイメント設定間で良好な品質-効率トレードオフを提供する。 データ、コード、モデルはhttps://github.com/MiliLab/Echo-DMでリリースされる。

関連論文リスト

• Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
  超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。 Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。 以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
  論文  参考訳（メタデータ） (2026-04-30T15:31:00Z)
• Label-free Motion-Conditioned Diffusion Model for Cardiac Ultrasound Synthesis [13.306765004903118]
  本研究では, ラベルなし遅延拡散フレームワークであるMotion Conditioned Diffusion Model (MCDM)を提案する。 MCDMは、手動ラベルに依存することなく、時間的に一貫性があり、臨床的に現実的なシーケンスを生成する、競争力のあるビデオ生成性能を実現する。
  論文  参考訳（メタデータ） (2025-12-10T08:32:34Z)
• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• Semantic Diffusion Posterior Sampling for Cardiac Ultrasound Dehazing [20.624154141399043]
  私たちはMICCAI Dehazing Echo2025(DehazingEcho2025)のための意味誘導型拡散型デハージングアルゴリズムを提案する。 提案手法は,ハジー入力のセマンティックセグメンテーションから得られた画素ワイドノイズモデルを,クリーン超音波データに基づいて事前学習した生成物によって誘導される拡散後サンプリングフレームワークに統合する。
  論文  参考訳（メタデータ） (2025-08-24T12:20:18Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• 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)
• Echo-DND: A dual noise diffusion model for robust and precise left ventricle segmentation in echocardiography [0.6749750044497732]
  本稿では,心エコー区分けのための新しい二重雑音拡散モデルであるEcho-DNDを紹介する。 モデルのパフォーマンスは、CAMUSとEchoNet-Dynamicデータセットで厳格に検証された。 これらのデータセットでそれぞれ0.962と0.939の高Diceスコアを達成する。
  論文  参考訳（メタデータ） (2025-06-18T06:27:08Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)

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。