Fugu-MT 論文翻訳(概要): CONFLUX: A Latent Diffusion Model for 3D Chest-CT Synthesis with RL Post-Training

論文の概要: CONFLUX: A Latent Diffusion Model for 3D Chest-CT Synthesis with RL Post-Training

arxiv url: http://arxiv.org/abs/2607.02998v2
Date: Tue, 07 Jul 2026 11:19:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 14:37:43.077288
Title: CONFLUX: A Latent Diffusion Model for 3D Chest-CT Synthesis with RL Post-Training
Title（参考訳）: CONFLUX:RLポストトレーニングを用いた3次元胸部CT合成のための潜時拡散モデル
Authors: Max Van Puyvelde, Halil Ibrahim Gulluk, Wim Van Criekinge, Olivier Gevaert,
Abstract要約: 3次元医用画像の制御可能な生成モデルは、特定の臨床属性でボリュームを合成することができる。胸部CTにおける潜伏拡散モデルであるCONFLUXについて述べる。 3D変分オートエンコーダは各ボリュームを圧縮し、整流変圧器は潜時空間で発生する。
参考スコア（独自算出の注目度）: 2.2462804525190427
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Controllable generative models of 3D medical images can synthesize volumes with specified clinical attributes, but this demands samples that are simultaneously high-fidelity, natively 3D, and faithful to the requested conditioning. We present CONFLUX, a latent diffusion model for chest computed tomography (CT): a 3D variational autoencoder compresses each volume, and a rectified-flow transformer generates in the latent space. Generation is conditioned on structured radiological metadata (18 abnormality findings, sex, age, and reconstruction kernel) through adaptive layer normalization. The model leads strong volumetric baselines on tri-planar Frechet distance (FID 32.3 vs. 74.6 for MAISI) while exposing direct control over clinical attributes. To strengthen that control we add an online reinforcement-learning post-training stage (group-relative policy optimization) that rewards how reliably a classifier recovers the requested findings from each generated volume. Judged by a separate, independent classifier, post-training removes 47% of the shortfall relative to real-scan reliability. We release the model and a ~200k synthetic chest-CT dataset with conditioning metadata spanning a wide variety of clinical findings.
Abstract（参考訳）: 3次元医用画像の制御可能な生成モデルは、特定の臨床属性でボリュームを合成することができるが、これは同時に高忠実で、ネイティブに3Dで、要求された条件に忠実なサンプルを必要とする。本稿では,胸部CTの潜時拡散モデルであるCONFLUXについて述べる。3次元変分オートエンコーダは各体積を圧縮し,整流トランスフォーマは潜時空間で生成する。適応層正規化により、構造化された放射線メタデータ(異常所見(18例)、性別、年齢、再構成核)に生成を条件付けする。このモデルは、トリプラナー・フレシェ距離(FID 32.3 対 MAISI 74.6 対 MAISI)に強いボリュームベースラインを導き、臨床属性を直接制御する。この制御を強化するために、オンライン強化学習後学習段階(グループ相対的政策最適化)を追加し、分類器が生成した各ボリュームから要求された結果を確実に回収するかどうかを報奨する。独立した独立した分類器によって判断された後訓練は、実際のスキャン信頼性に対する欠点の47%を除去する。このモデルと200k以上の合成胸部CTデータセットを,様々な臨床所見にまたがる条件付きメタデータを用いてリリースした。

関連論文リスト

Evidence-Based Text-Conditioned 3D CT Synthesis for Ovarian Cancer [9.862634656196759]
卵巣癌はしばしば進行期と診断され,術前造影CT(Content-enhanced Computed Tomography)がステージングと手術計画の中心となる。テキストコンディショニングによる3次元CT合成は有望であるが,既存のパイプラインはペアドラジオグラフィーの報告に依存し,胸部CTでのみ評価されている。我々は,CT画像記述子と定期的な臨床メタデータから直接,標準化されたファインディングと印象セクションを構築するフレームワークであるOvESynを提案する。
論文参考訳（メタデータ） (2026-06-27T15:30:29Z)
Anatomically-conditioned Latent Diffusion Model for Data-Efficient Few-Shot Cross-Domain 3D Glioma MRI Synthesis [1.4312099612976772]
解剖学的条件付き潜在拡散モデル(ALDM)は,データ効率,少数ショットMRI合成のための新しいフレームワークである。ターゲット画像は16枚しかなく、極端に数発の撮影で評価された。
論文参考訳（メタデータ） (2026-06-24T04:42:42Z)
EPC-3D-Diff: Equivariant Physics Consistent Conditional 3D Latent Diffusion for CBCT to CT Synthesis [36.790666885042356]
CBCTからCT合成のための新しい条件付き3次元潜伏拡散フレームワークであるEPC-3D-Diffを提案する。我々は、体積の平面内回転がその射影の角シフトに対応するという事実を利用する。我々は,反復スキャンを含む頭部CBCT/CTファントムデータセットと,患者の賢明な分割を用いた臨床データについて検証した。 EPC-3D-Diffは、技術手法の状況と比較して、PSNRにおける+7.4 dB(ファントム)と+1.8 dB(クリニカルデータ)の大幅な改善を実現している。
論文参考訳（メタデータ） (2026-05-19T20:34:09Z)
3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance [0.0]
超音波(US)は非イオン化であり、広くアクセス可能であるが、操作性が高く、定量的な組織特性が欠如している。本研究は,USから推定されるCTのような解剖学的基準量を生成する3D超音波による擬似CTフレームワークを提案する。提案手法は, 構造的忠実度と知覚的画像品質において, 確立されたベースラインより優れる。
論文参考訳（メタデータ） (2026-05-06T12:52:59Z)
EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文参考訳（メタデータ） (2025-09-26T05:51:59Z)
Random forest-based out-of-distribution detection for robust lung cancer segmentation [2.6825994665041235]
自己教師付き事前トレーニングを備えたトランスフォーマーベースのモデルでは、In-distriion (ID)データから確実に正確なセグメンテーションを生成することができるが、out-of-distriion (OOD)データセットに適用すると劣化する。この課題に対処するRF-Deepは、セグメンテーションモデルの事前訓練されたトランスフォーマーエンコーダの深い特徴を利用して、OODスキャンを検出し、セグメンテーション信頼性を向上させるランダム森林分類器である。
論文参考訳（メタデータ） (2025-08-26T15:14:29Z)
Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文参考訳（メタデータ） (2023-03-02T07:47:07Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。