論文の概要: 2D Versus 3D Diffusion for In Silico Training of Interventional X-ray AI Models

• arxiv url: http://arxiv.org/abs/2606.21414v1
• Date: Fri, 19 Jun 2026 13:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:36:32.041001
• Title: 2D Versus 3D Diffusion for In Silico Training of Interventional X-ray AI Models
• Title（参考訳）: インターベンショナルX線AIモデルのシリカトレーニングのための2次元バーサス3次元拡散
• Authors: Sampath Rapuri, Jeremy Ko, Benjamin D. Killeen, Russell H. Taylor, Mathias Unberath,
• Abstract要約: 合成2次元拡散X線は解剖学的ランドマーク検出モデルの訓練に利用できることを示す。 我々は、干渉X線イメージングにおいて堅牢なAIモデルをトレーニングするための、大規模で多様なデータセットを生成するための有望な道を見つける。
• 参考スコア（独自算出の注目度）: 8.086564793438102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to synthesize realistic X-ray images has catalyzed the development of AI models for X-ray image-guided procedures, which otherwise suffer from a lack of available annotated data. Prior work has demonstrated the effectiveness of mechanistic simulation of digitally reconstructed radiographs (DRRs) as a training data source for a myriad of tasks, including segmentation and anatomical landmark detection, with comparable or superior performance to real data training. However, mechanistic DRR synthesis still relies on the availability of annotated high-resolution anatomical models. Deriving these from CT images of real patients or specimens imposes an undesirable bottleneck on data quantity and variability. In this work, we explore two methods for synthesizing training data: (1) a 3D conditional latent diffusion model that generates CT volumes to use as inputs for mechanistic DRR generation without real, 3D anatomical models, and (2) a view-conditioned 2D diffusion model that produces synthetic X-rays. In controlled experiments, we demonstrate that synthetic 2D diffusion-based X-rays can be used to train an anatomical landmark detection model that generalized to real X-ray images with performance rivaling that of a model trained on real X-ray images. Thus, we provide preliminary evidence that synthetic, 2D diffusion-based training data can substitute for real X-ray data, identifying a promising avenue towards generating large, diverse datasets for training robust AI models in interventional X-ray imaging.
• Abstract（参考訳）: 現実的なX線画像を合成する能力は、X線画像誘導手順のためのAIモデルの開発を触媒している。 従来の研究は、デジタル再構成されたラジオグラフ(DRR)を、セグメント化や解剖学的ランドマーク検出を含む無数のタスクのためのトレーニングデータソースとして、実際のデータトレーニングに匹敵するあるいは優れたパフォーマンスで、メカニスティックなシミュレーションの有効性を実証してきた。 しかし、メカニスティックDRR合成は、アノテートされた高分解能解剖モデルの可用性に依存している。 実際の患者や標本のCT画像からこれらを抽出することは、データ量と変動性に好ましくないボトルネックを課す。 本研究では,(1)CTボリュームを生成する3次元条件付き潜時拡散モデルと,(2)合成X線を生成するビュー条件付き2次元拡散モデルについて検討する。 制御された実験では, 合成2次元拡散X線を用いて, 実X線画像に一般化した解剖学的ランドマーク検出モデルを, 実X線画像で訓練したモデルに匹敵する性能で訓練することができることを示した。 そこで我々は, 合成2次元拡散に基づくトレーニングデータが, 実際のX線データに代えて, 干渉X線イメージングにおける堅牢なAIモデルをトレーニングするための, 大規模で多様なデータセットを生成するための, 有望な道筋を同定する予備的証拠を提供する。

関連論文リスト

• X-WIN: Building Chest Radiograph World Model via Predictive Sensing [10.465467396406147]
  2次元投影画像として,胸部X線撮影(CXR)は構造的重ね合わせによって制限され,3次元解剖学の取得に失敗する。 我々は,胸部CT(CT)から量的知識を抽出し,潜時空間における2次元投影を予測できる新しいCXR世界モデルX-WINを提案する。 X-WINはまた、3次元CTボリュームを再構成する2Dプロジェクションを描画する能力も示している。
  論文  参考訳（メタデータ） (2025-11-18T21:15:45Z)
• X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography [89.84588038174721]
  Computed Tomographyは臨床において必須のツールであり、内部解剖学的構造を非侵襲的に可視化する。 既存のCT再構成作業は、小さなキャパシティモデルアーキテクチャと非フレキシブルボリューム表現に限られている。 スパースビュー2次元X線プロジェクションから3次元CTボリュームを再構成する大規模なフィードフォワードモデルであるX-GRMを提案する。
  論文  参考訳（メタデータ） (2025-05-21T08:14:10Z)
• 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)
• 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
  本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。 パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-09-28T12:31:07Z)
• RadRotator: 3D Rotation of Radiographs with Diffusion Models [0.0]
  本稿では,3次元空間における任意の入射ラジオグラフの解剖学的内容の回転を可能にする拡散モデルに基づく技術を提案する。 従来の研究と同様に、我々はCTボリュームを用いてデジタル再構成ラジオグラフィー(DRR)をモデルのトレーニングデータとして作成しました。
  論文  参考訳（メタデータ） (2024-04-19T16:55:12Z)
• Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with Implicit Neural Representation [3.8215162658168524]
  Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。 本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。 我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
  論文  参考訳（メタデータ） (2023-03-21T18:17:27Z)
• SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments [12.019996672009375]
  人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。 人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2022-06-13T13:08:41Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• End-To-End Convolutional Neural Network for 3D Reconstruction of Knee Bones From Bi-Planar X-Ray Images [6.645111950779666]
  両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T08:37:11Z)

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。