論文の概要: Do We Really Need Diffusion? A Fast U-Net for Paired Medical Image Translation

• arxiv url: http://arxiv.org/abs/2606.17675v1
• Date: Tue, 16 Jun 2026 08:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.357029
• Title: Do We Really Need Diffusion? A Fast U-Net for Paired Medical Image Translation
• Title（参考訳）: 拡散は本当に必要か? 医療画像翻訳のための高速なU-Net
• Authors: Alicia Pirwass, Birte Glimm, Michael Munz, Hans-Joachim Wilke,
• Abstract要約: MRI-SFF(MRI-SFF)は、組織脂肪を定量化し、代謝性および筋骨格障害のための確立されたバイオマーカーとして機能する。 画像から画像への変換(I2I)により,広く利用可能なT2強調(T2w)MRIからSFFを推定できるかどうかを検討する。 230048対2D画像のデータセットを用いて,軽量な4レベルU-Netと最先端のDenoising Diffusion Probabilistic Model (DDPM)を比較した。
• 参考スコア（独自算出の注目度）: 1.819932604590499
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Magnetic resonance imaging-signal fat fraction (MRI-SFF) quantifies tissue fat and serves as an established biomarker for metabolic and musculoskeletal disorders. The acquisition requires, however, specialized MRI sequences, which are not available routinely. We investigate whether SFF can be estimated from widely available T2-weighted (T2w) MRI via image-to-image translation (I2I). We further compare a lightweight 4-level U-Net to a state-of-the-art Denoising Diffusion Probabilistic Model (DDPM) using a dataset of 230 048 paired 2D images (183 517 train, 23 621 val, 22 910 test) from the German National Cohort (NAKO). Both models clearly outperform the identity baseline (Pearson correlation r = 0.769, mean absolute error MAE = 0.070 +/- 0.054), which confirms that the models learn a non-trivial cross-modal mapping. Interestingly, the lightweight U-Net outperforms the DDPM in both correlation (r = 0.975 vs. 0.962) and error (MAE = 0.014 +/- 0.015 vs. 0.019 +/- 0.019), while reducing inference time by a factor of 208 (25.2 ms vs. 5 227.2 ms per image using 50 Denoising Diffusion Implicit Model (DDIM) steps). The strong clinical performance at substantially reduced computational cost enables real-time clinical use.
• Abstract（参考訳）: MRI-SFF(MRI-SFF)は、組織脂肪を定量化し、代謝性および筋骨格障害のための確立されたバイオマーカーとして機能する。 しかし、この買収には特別なMRIシークエンスが必要である。 画像から画像への変換(I2I)により,SFFを広く利用可能なT2強調(T2w)MRIから推定できるかどうかを検討した。 さらに,ドイツ国立コーホート(NAKO)の230 048対2D画像(183 517トレイン,23 621 val, 22 910テスト)のデータセットを用いて,軽量な4レベルU-Netと最先端のDenoising Diffusion Probabilistic Model(DDPM)を比較した。 どちらのモデルもアイデンティティベースラインよりも明らかに優れている(ピアソン相関 r = 0.769、平均絶対誤差 MAE = 0.070 +/- 0.054)。 興味深いことに、軽量なU-NetはDDPMを相関関係(r = 0.975 vs. 0.962)と誤差(MAE = 0.014 +/- 0.015 vs. 0.019 +/- 0.019)の両方で上回り、推論時間を208(25.2 ms vs. 5 227.2 ms)で削減する。 計算コストを大幅に削減した強力な臨床成績は、リアルタイムな臨床利用を可能にする。

関連論文リスト

• Three-Dimensional Retinal Microvasculature Restoration in OCT Angiography [4.442929593591647]
  本稿では,1つのOCTAボリュームから解剖学的血管を復元する深層学習アルゴリズムを提案する。 提案モデルでは,元のOCTAボリュームに比べて画質が大幅に向上した。
  論文  参考訳（メタデータ） (2026-06-03T19:23:09Z)
• VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
  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。
  論文  参考訳（メタデータ） (2026-04-24T18:32:22Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• 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)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)
• FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
  正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-30T03:17:31Z)

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。