論文の概要: Feature-Space Guided Diffusion for Realistic Ultrasound Image Synthesis

• arxiv url: http://arxiv.org/abs/2607.11655v1
• Date: Mon, 13 Jul 2026 15:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.521328
• Title: Feature-Space Guided Diffusion for Realistic Ultrasound Image Synthesis
• Title（参考訳）: リアル超音波画像合成のための特徴空間誘導拡散
• Abstract要約: 条件拡散モデルは、解剖学的に可塑性な医用超音波(US)画像を生成することができるが、解剖学的可視性だけでは、現実的なBモードの出現を保証しない。 BモードUS画像は, スペックルテクスチャ, 組織コントラスト, 減衰など, 獲得に依存した特性によって形成されている。 本稿では,このギャップを減らすためのトレーニング不要サンプリング戦略として,FSCG(Feature-Space Candidate Guidance)を提案する。
• 参考スコア（独自算出の注目度）: 2.6386956098562777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional diffusion models can generate anatomically plausible medical ultrasound (US) images, but anatomical plausibility alone does not ensure realistic B-mode appearance. Most US pipelines adapt standard generative architectures and condition them on anatomical masks, or use guidance mechanisms that reinforce the same anatomical signal. However, B-mode US images are shaped by acquisition-dependent properties such as speckle texture, tissue contrast, and attenuation. Using a frozen US foundation model, we show that standard conditional diffusion baselines remain separated from real images in representation space. In this work, we propose Feature-Space Candidate Guidance (FSCG), a training-free sampling strategy to reduce this gap. At sampling time, FSCG applies local k-NN feature correction and selects the best of multiple stochastic candidates according to their feature-space energy. In this way, the mask defines the anatomy, while FSCG steers samples toward the real US domain. Across three different datasets, FSCG reduces average FID64 by 56\%, FID192 by 57\%, and nearest-neighbour feature distance by 47\% over standard conditional diffusion sampling, outperforming alternative inference-time guidance baselines. The results suggest that domain-aware feature representations can reveal and reduce realism gaps in medical diffusion synthesis without retraining the generator. Our code is available at https://github.com/marinadominguez/FSCG.
• Abstract（参考訳）: 条件拡散モデルは、解剖学的に可塑性な医用超音波(US)画像を生成することができるが、解剖学的可視性だけでは、現実的なBモードの出現を保証しない。 ほとんどの米国のパイプラインは、標準的な生成アーキテクチャに適応し、解剖学的マスクにそれらを条件付けるか、同じ解剖学的信号を強化する誘導機構を使用する。 しかし、BモードUS画像は、スペックルテクスチャ、組織コントラスト、減衰などの取得依存特性によって形成されている。 凍結した米国基礎モデルを用いて、標準条件拡散ベースラインが表現空間の実際の画像から分離されていることを示す。 本研究では,このギャップを減らすためのトレーニング不要サンプリング戦略であるFeature-Space Candidate Guidance (FSCG)を提案する。 サンプリング時に、FSCGは局所k-NN特徴補正を適用し、特徴空間エネルギーに応じて複数の確率的候補のベストを選択する。 このようにして、マスクは解剖学を定義し、FSCGは実際の米国ドメインに向けてサンプルを採取する。 3つの異なるデータセットで、FSCGは平均 FID64 を 56 %、FID192 を 57 %、隣り合う特徴距離を 47 % 削減し、代替の推論時ガイダンスベースラインを上回った。 その結果、ドメイン認識の特徴表現は、ジェネレータを再訓練することなく、医療拡散合成におけるリアリズムギャップを明らかにし、低減することができることが示唆された。 私たちのコードはhttps://github.com/marinadominguez/FSCGで利用可能です。

関連論文リスト

• Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
  マーカーは下流の自動分析にショートカットバイアスを導入することができる。 条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
  論文  参考訳（メタデータ） (2026-06-08T11:56:33Z)
• SRC-Flow: Compact Semantic Representations Enable Normalizing Flows for Image Generation [73.51436199324066]
  正規化フロー(NF)は、正確な確率と決定論的非可逆サンプリングを提供するが、大規模な画像生成のための拡散モデルに遅れを取っている。 低次元意味空間にコンパクトな高次元RAE特徴にセマンティック表現(SRC)を導入するSRC-Flowを提案する。 SRC-Flowは、計算不要なガイダンスの下で、gFIDスコア1.65と2.07で、フローメソッド間の最先端の生成品質を実現する。
  論文  参考訳（メタデータ） (2026-05-18T12:03:41Z)
• Low-Rank-Modulated Functa: Exploring the Latent Space of Implicit Neural Representations for Interpretable Ultrasound Video Analysis [0.9413864081589388]
  Inlicit Neural representations (INR) は連続的な画像表現学習のための強力なフレームワークとして登場した。 Functaベースのアプローチでは、各画像は、共有INRを条件付けし、強い再構成性能を実現する潜在変調ベクトルとして符号化される。 時間分解潜在空間における変調の低ランク適応を実現する新しいアーキテクチャであるLow-Rank-Modulated Functa (LRM-Functa)を提案する。
  論文  参考訳（メタデータ） (2026-03-26T22:46:27Z)
• PIVM: Diffusion-Based Prior-Integrated Variation Modeling for Anatomically Precise Abdominal CT Synthesis [6.978452372711662]
  解剖学的に正確なCT画像合成のための拡散法を提案する。 PIVMは、ノイズからフルイメージを生成する代わりに、臓器固有の強度に対するボクセルの強度変化を予測する。 これらの先行とラベルは拡散過程を共同でガイドし、空間的アライメントと現実的な臓器の境界を確実にする。
  論文  参考訳（メタデータ） (2026-03-23T22:56:48Z)
• Guiding Registration with Emergent Similarity from Pre-Trained Diffusion Models [16.2208278847136]
  自然のRGB画像を生成するために専用に訓練されたオフザシェルフ拡散モデルは、医用画像における意味論的意味のある対応を識別できる。 本稿では,拡散モデルの特徴を類似度尺度として活用して,変形可能な画像登録ネットワークを導くことを提案する。
  論文  参考訳（メタデータ） (2025-06-03T04:07:04Z)
• DiNO-Diffusion. Scaling Medical Diffusion via Self-Supervised Pre-Training [0.0]
  Dino-Diffusionは潜在拡散モデル(LDM)の自己教師型手法である アノテーションへの依存をなくすことで、私たちのトレーニングは、公開胸部X線データセットから868万以上の未ラベル画像を活用する。 小さなデータプールからでも意味的に多様な合成データセットを生成するために使用できる。
  論文  参考訳（メタデータ） (2024-07-16T10:51:21Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Zero-shot Medical Image Translation via Frequency-Guided Diffusion Models [9.15810015583615]
  構造保存画像変換のための拡散モデルを導出するために周波数領域フィルタを用いた周波数誘導拡散モデル(FGDM)を提案する。 その設計に基づいて、FGDMはゼロショット学習を可能にし、ターゲットドメインのデータのみに基づいてトレーニングし、ソース・ツー・ターゲットドメインの変換に直接使用することができる。 FGDMは、Frechet Inception Distance(FID)、Peak Signal-to-Noise Ratio(PSNR)、および構造的類似性の測定値において、最先端手法(GANベース、VAEベース、拡散ベース)よりも優れていた
  論文  参考訳（メタデータ） (2023-04-05T20:47:40Z)
• Semantic Image Synthesis via Diffusion Models [174.24523061460704]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。 意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)

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。