論文の概要: Joint Medical Image Enhancement and Segmentation with Diffusion-based Symbiotic Information Interaction
- arxiv url: http://arxiv.org/abs/2607.00058v1
- Date: Tue, 30 Jun 2026 07:50:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.600491
- Title: Joint Medical Image Enhancement and Segmentation with Diffusion-based Symbiotic Information Interaction
- Title（参考訳）: 拡散に基づく共生情報インタラクションによる医用画像の強調とセグメンテーション
- Abstract要約: DiSIINetは、拡張とセグメンテーションは相互に統一されたモデルで強化されるべきという原則に基づいて構築されている。
マルチモーダルな医療データセット(MRI, CT, 超音波)の実験により, DiSIINetは大幅な性能向上を実現していることが示された。
- 参考スコア（独自算出の注目度）: 6.8956820908908965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image quality is critical for accurate medical diagnosis. However, MRI, CT, and ultrasound images are often of low resolution and quality due to cost constraints, complicating the visualization of key anatomical structures and lesions. While such limitations are common in practice, traditional methods treat image enhancement as a separate preprocessing step, failing to fully leverage its potential synergy with image segmentation. To address this, we propose DiSIINet (Diffusion-based Symbiotic Information Interaction Network), which is built on the principle that enhancement and segmentation should mutually reinforce each other in a unified model. Based on Denoising Diffusion Implicit Models (DDIM), DiSIINet integrates an enhancement branch and a segmentation branch. These branches interact through a novel Symbiotic Information Interaction (SII) module, which facilitates dynamic, feature-level information exchange via cross-attention during the reverse diffusion process. This design enables both tasks to iteratively improve each other. The DDIM backbone ensures high-quality output and efficient inference through deterministic sampling. Experiments on multi-modal medical datasets (MRI, CT, ultrasound) show that DiSIINet achieves significant performance improvements compared to sequential or independent enhancement and segmentation approaches. The code is available at: https://github.com/Reconsider80/DiSIINet.
- Abstract（参考訳）: 画像の質は正確な診断に欠かせない。
しかし、MRI、CT、超音波画像は、しばしばコスト制約による低解像度で、重要な解剖学的構造や病変の可視化を複雑にしている。
このような制限は実際には一般的であるが、従来の方法ではイメージの強化を別の前処理ステップとして扱うが、その潜在的なシナジーとイメージセグメンテーションを十分に活用できない。
そこで本稿では,Diffusion-based Symbiotic Information Interaction Network(拡散型共生情報相互作用ネットワーク)を提案する。
Denoising Diffusion Implicit Models (DDIM)に基づいて、DiSIINetは拡張ブランチとセグメンテーションブランチを統合する。
これらの分岐は、新しい共生情報相互作用(SII)モジュールを介して相互作用し、逆拡散過程の間、クロスアテンションを介して動的で特徴レベルの情報交換を容易にする。
この設計は、両方のタスクを反復的に改善することを可能にする。
DDIMバックボーンは、決定論的サンプリングによる高品質な出力と効率的な推論を保証する。
マルチモーダルな医療データセット(MRI, CT, 超音波)の実験により, DiSIINetは逐次的あるいは独立的な拡張とセグメンテーションアプローチと比較して, 大幅な性能向上を実現していることが示された。
コードは、https://github.com/Reconsider80/DiSIINetで入手できる。
関連論文リスト
- Uncertainty-Aware Vision-Language Segmentation for Medical Imaging [12.545486211087791]
医療診断のための新しい不確実性を考慮したマルチモーダルセグメンテーションフレームワークを提案する。
本稿では,高効率なクロスモーダル融合を実現するために,軽量なステートスペースミキサ(SSMix)を備えたModality Decoding Attention Block (MoDAB)を提案する。
本研究は,視覚言語医学的セグメンテーションタスクにおいて,不確実性モデリングと構造化モダリティアライメントを取り入れることの重要性を強調した。
論文 参考訳（メタデータ） (2026-02-16T06:27:51Z) - Dual Interaction Network with Cross-Image Attention for Medical Image Segmentation [4.804685266333253]
本稿では,原画像と拡張画像の相互補完情報を利用する対話型融合モジュール(DIFM)を提案する。
DIFMは、異なる画像にまたがる対応する空間情報に同時に対応するために、双方向に双方向にクロスアテンションを利用する。
さらに、勾配抽出に基づく多スケール境界損失を導入し、オブジェクト境界におけるセグメンテーション精度を向上させる。
論文 参考訳（メタデータ） (2025-09-07T07:25:59Z) - 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) - MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。
医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。
本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
論文 参考訳（メタデータ） (2025-05-28T01:40:10Z) - Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。