論文の概要: Prob-BBDM: a Probabilistic Brownian Bridge Diffusion Model for MRI sequence image-to-image translation

• arxiv url: http://arxiv.org/abs/2606.24313v1
• Date: Tue, 23 Jun 2026 08:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.854204
• Title: Prob-BBDM: a Probabilistic Brownian Bridge Diffusion Model for MRI sequence image-to-image translation
• Title（参考訳）: Prob-BBDM:MRI画像から画像への変換のための確率的ブラウン橋拡散モデル
• Authors: Martin Valls, Pascal Bourdon, Christine Fernandez-Maloigne, Guillaume Herpe, David Helbert,
• Abstract要約: Brownian Bridge Diffusion Models (BBDM) に基づく新しい画像から画像への変換モデルを提案する。 提案手法は,確率的画像分布を利用して合成品質を向上させる変分エンコーダ誘導拡散機構を統合する。 Prob-BBDMは複数の翻訳タスクで優れた性能を発揮し、最大88.46%のSSIMと26.09dBのPSNRに達する。
• 参考スコア（独自算出の注目度）: 1.8036000511825068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-driven image-to-image synthesis is rapidly advancing, with growing applications in medical imaging. Multi-modal image analysis plays a crucial role in optimizing examination quality, yet acquiring multiple imaging modalities in clinical settings remains resource-intensive and time-consuming, especially for 3D imaging. To address this challenge, we propose a novel image-to-image translation model based on Brownian Bridge Diffusion Models (BBDM), which synthesizes magnetic resonance imaging (MRI) sequences from 2D axial slices. Our approach integrates a variational encoder-guided diffusion mechanism, leveraging probabilistic image distributions to enhance synthesis quality. Evaluated on the BraTS 2021 dataset, our Probabilistic-BBDM (Prob-BBDM) achieves superior performance across multiple translation tasks, reaching up to 88.46% SSIM and 26.09 dB PSNR, with consistent improvements over baselines. Notably, our diffusion process requires only 4 steps, making it computationally efficient while maintaining high-quality synthesis. To further validate generalizability, we test Prob-BBDM on an external third-party dataset, demonstrating consistent performance across domains. Additionally, we assess the clinical utility of the synthesized slices by using them as input to a pre-trained segmentation model. Tumor segmentation yields a Dice score of 88.71% and an HD95 of 3.49 mm, confirming that the synthesized slices preserve critical diagnostic information. These results highlight the potential of Prob-BBDM for high-quality, efficient, and generalizable MRI synthesis, offering a promising step toward improved medical image translation.
• Abstract（参考訳）: AIによる画像と画像の合成は急速に進歩し、医療画像の応用が増加している。 マルチモーダル画像解析は、検査品質を最適化する上で重要な役割を担っているが、臨床環境では、複数の画像モダリティを取得することは、特に3D画像において資源集約的で時間を要する。 この課題に対処するために,2次元軸スライスから磁気共鳴画像(MRI)シーケンスを合成するBrownian Bridge Diffusion Models (BBDM) に基づく新しい画像と画像の変換モデルを提案する。 提案手法は,確率的画像分布を利用して合成品質を向上させる変分エンコーダ誘導拡散機構を統合する。 BraTS 2021データセットから評価すると、Probabilistic-BBDM(Prob-BBDM)は、複数の翻訳タスクにおいて、88.46%のSSIMと26.09のPSNRに到達し、ベースラインよりも一貫した改善を実現している。 特に、我々の拡散過程は4ステップしか必要とせず、高品質な合成を維持しながら計算的に効率的である。 一般化性をさらに検証するため、外部のサードパーティデータセット上でProb-BBDMをテストし、ドメイン間で一貫した性能を示す。 さらに,プレトレーニングセグメンテーションモデルへの入力として,合成スライスの臨床的有用性を評価する。 腫瘍のセグメンテーションはDiceスコア88.71%、HD95は3.49mmとなり、合成スライスが重要な診断情報を保存していることを確認した。 これらの結果は、高品質で効率的で一般化可能なMRI合成のためのProb-BBDMの可能性を強調し、医用画像翻訳の改善に向けた有望なステップを提供する。

関連論文リスト

• Cross Modality Image Translation In Medical Imaging Using Generative Frameworks [5.785096712074492]
  本研究は, 腫瘍画像における3次元I2I翻訳法の再現性, 標準化された比較評価である。 7つの生成モデル,3つの生成適応ネットワーク(GAN:Pix2Pix, CycleGAN, SRGAN)と4つの潜在生成モデル(Latent Diffusion Model, Latent Diffusion Model+ControlNet, Brownian Bridge, Flow Matching)を比較した。 その結果、GANは全てのタスクにおいて遅延生成モデルよりも優れており、SRGANは統計的に有意な優位性を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-05-13T15:41:44Z)
• OphMAE: Bridging Volumetric and Planar Imaging with a Foundation Model for Adaptive Ophthalmological Diagnosis [13.730900699529698]
  OphMAE (Ophthalmic Multimodal Masked Autoencoder) は、3D光コヒーレンス・トモグラフィー(OCT)の体積深度と2D en face OCTの平面コンテキストを相乗化するために設計された多次元基礎モデルである。 このモデルは最先端の成績を示し、年齢関連黄斑変性症(AMD)96.9%、糖尿病黄斑浮腫症(DME)97.2%でAUC(Area Under the Curve)を達成した。 この作業は、眼科AIのスケーラブルで適応可能なフレームワークを確立し、さまざまなタスクにわたる堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2026-05-04T15:18:06Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• A Domain Translation Framework with an Adversarial Denoising Diffusion Model to Generate Synthetic Datasets of Echocardiography Images [0.5999777817331317]
  臨床研究に好適な心エコー画像を作成するための枠組みを提案する。 いくつかのドメイン翻訳操作において、このような生成モデルによって高品質な画像サンプルを合成できることが確認された。
  論文  参考訳（メタデータ） (2024-03-07T15:58:03Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [3.890243179348094]
  医療応用のための堅牢で成功したディープラーニングモデルを開発するためには、大規模で大きな変動のある高品質なデータが不可欠である。 本稿では,DiffBoostと呼ばれる医用画像合成のための制御可能な拡散モデルを提案する。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• 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)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)

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。