論文の概要: Do Not Break the Vessels: Structure-Preserving Mean Flow for Vascular Image Translation

• arxiv url: http://arxiv.org/abs/2606.31095v1
• Date: Tue, 30 Jun 2026 03:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.067265
• Title: Do Not Break the Vessels: Structure-Preserving Mean Flow for Vascular Image Translation
• Title（参考訳）: 血管を壊さない:血管画像翻訳のための構造保存平均流
• Abstract要約: クロスモーダル翻訳法は主にピクセルレベルの忠実さや視覚的リアリズムを強調する。 トポロジ不変輸送プロセスとして血管画像翻訳を定式化する構造保存平均流(SPMF)フレームワークを提案する。 NIRII-to-2PFとファンドスデータセットの組み合わせによる実験では、最先端の手法よりも一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 10.186762856964831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing anatomically faithful vascular structures from clinically accessible imaging modalities is of substantial clinical significance. However, existing cross-modal translation methods mainly emphasize pixel-level fidelity or visual realism and treat structure preservation as a property of the final output rather than an invariant of the generative process. This limitation often leads to structural discontinuities and artifacts, compromising anatomical coherence and clinical reliability. In this work, we propose a Structure-Preserving Mean Flow (SPMF) framework that formulates vascular image translation as a topology-invariant transport process. Based on a structural invariance principle, we derive an orthogonality constraint on the flow velocity field that formally separates appearance transport from topological distortion. We implement this constraint as a time-weighted surrogate objective within a Brownian bridge diffusion model to preserve topology at every diffusion step. Moreover, we propose a Prototype-Guided Structural Refinement (PGSR) module to align degraded inference-time structures with reliable training-time structures. Experiments on paired NIRII-to-2PF and fundus datasets demonstrate consistent improvements over state-of-the-art methods, achieving peak PSNR values of 24.96 dB and 24.83 dB, respectively.
• Abstract（参考訳）: 臨床的にアクセス可能な画像モダリティから解剖学的に忠実な血管構造を再構築することは、重要な臨床的意義である。 しかし、既存のクロスモーダル翻訳法は主にピクセルレベルの忠実さや視覚的リアリズムを強調し、構造保存を生成過程の不変性ではなく最終的な出力の特性として扱う。 この制限は、しばしば構造上の不連続性とアーティファクトをもたらし、解剖学的コヒーレンスと臨床的信頼性を損なう。 本研究では、トポロジ不変輸送プロセスとして血管画像の変換を定式化する構造保存平均流(SPMF)フレームワークを提案する。 構造的不変性原理に基づいて, 形状輸送をトポロジ的歪みから正式に分離する流れ速度場上の直交性制約を導出する。 我々は,この制約をブラウン橋拡散モデル内の時間重み付き代理対象として実装し,各拡散ステップで位相を保存する。 さらに、劣化した推論時間構造と信頼性のあるトレーニング時間構造とを整合させるPGSR(Prototype-Guided Structure Refinement)モジュールを提案する。 NIRII-to-2PFとファンドスデータセットの組み合わせによる実験は、最先端の手法よりも一貫した改善を示し、それぞれ24.96dBと24.83dBのピークPSNR値を達成した。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
  HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。 本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-09T14:39:37Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• VAOT: Vessel-Aware Optimal Transport for Retinal Fundus Enhancement [13.241000354696903]
  欠損した拡張パイプラインは臨床的に重要な血管を歪め、血管のトポロジーとエンドポイントの整合性を変化させる。 最適輸送目標と2つの構造保存正規化器を組み合わせたフレームワークである Vessel-Aware Optimal Transport (textbfVAOT) を提案する。 これらの制約は、船体構造を保ちながら騒音を低減し、未整備の環境での学習を導く。
  論文  参考訳（メタデータ） (2025-11-24T04:56:08Z)
• Curvilinear Structure-preserving Unpaired Cross-domain Medical Image Translation [29.978321741632197]
  画像から画像への翻訳の欠如は, 医用画像の撮影において重要な技術である。 既存のアプローチは、しばしば微小血管のような微細な曲線構造を歪ませる。 本稿では,不対翻訳中の微細な曲線構造を明示的に保存するフレームワークであるCurvilinear Structure-Reserving Translation (CST)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T15:24:32Z)
• PASC-Net:Plug-and-play Shape Self-learning Convolutions Network with Hierarchical Topology Constraints for Vessel Segmentation [9.102738065373615]
  PASCNetと呼ばれる新しい容器分割フレームワークを提案する。 コンボリューションカーネル設計を最適化するプラグイン・アンド・プレイ型のセルフラーニング・コンボリューション(SSL)モジュールと、トポロジ的制約を通じて血管接続を保証する階層型トポロジカル・制約(HTC)モジュールである。 nnUNetフレームワークに統合された場合,本手法は複数の指標において他の手法よりも優れ,最先端の血管セグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2025-07-05T11:28:35Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)

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。