論文の概要: Improving Medical Image Generative Models with Fréchet Distance Loss
- arxiv url: http://arxiv.org/abs/2607.13300v1
- Date: Tue, 14 Jul 2026 22:11:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.596924
- Title: Improving Medical Image Generative Models with Fréchet Distance Loss
- Title（参考訳）: フレシェ距離損失を考慮した医用画像生成モデルの改良
- Abstract要約: Fréchet Distance Los (FD-loss) を用いた微細拡散生成モデルを提案する。
FD-lossは、事前訓練されたエンコーダ空間における実画像と生成された画像の1階目と2階目の特徴統計を整列する。
FD正規化合成データに基づいてトレーニングされた下流セグメンテーションネットワークは、一貫して優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 4.880558268852908
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion generative models have demonstrated immense potential for synthetic medical image generation. However, these models often struggle to capture complex morphological characteristics of heterogeneous tumors with irregular boundaries, limiting their utility for downstream clinical tasks such as segmentation. This limitation stems from the standard denoising objective: minimizing a per-pixel error, which smooths high-variance irregular structures characteristic of tumors. To address this, we propose finetuning these generative models with Fréchet Distance loss (FD-loss). FD-loss aligns the first and second order feature statistics of real and generated images in a pretrained encoder space, encouraging the generator to capture complex structural variations characteristic of heterogeneous tumors. We integrate FD-loss across diverse architectural settings, using both natural- and medical-image encoders on multiple liver and brain cancer datasets spanning CT and MRI modalities. Downstream segmentation networks trained on our FD-regularized synthetic data consistently achieve superior performance, improving tumor DSC by $>$$5\%$ over unregularized synthetic augmentation alone. Qualitative analysis suggests these gains are associated with more faithful tumor synthesis and fewer segmentation hallucinations. Our results show FD-loss as an effective regularizer for medical image generative models to improve clinical workflows.
- Abstract（参考訳）: 拡散生成モデルは、合成医用画像生成に大きな可能性を示している。
しかし、これらのモデルはしばしば、不規則な境界を持つ異種腫瘍の複雑な形態学的特徴を捉え、セグメンテーションのような下流の臨床的タスクに有効性を制限するのに苦労する。
この制限は、腫瘍の特徴的な高分散不規則構造を円滑にするピクセル単位の誤差を最小化するという、標準的な偏執的目的に起因している。
そこで我々は,これらの生成モデルをFréchet Distance Los (FD-loss) を用いて微調整する手法を提案する。
FD-lossは、事前訓練されたエンコーダ空間において、実画像と生成された画像の1階目の特徴統計と2階目の特徴統計を一致させ、異種腫瘍の複雑な構造変化を捉えることを奨励する。
我々は、FD-lossを様々なアーキテクチャ環境に統合し、自然画像エンコーダと医療画像エンコーダの両方を、CTとMRIにまたがる複数の肝臓と脳がんデータセットに利用した。
FD-正規化合成データに基づいてトレーニングされた下流セグメンテーションネットワークは、常に優れた性能を達成し、非正規化合成オーグメンテーションのみに対して、腫瘍DSCを$$$$5\%$で改善する。
定性的分析は、これらの利得がより忠実な腫瘍合成とより少ないセグメンテーション幻覚と関連していることを示唆している。
以上の結果から,FD-lossは臨床ワークフローを改善するための医用画像生成モデルに有効な正則化剤であることが示された。
関連論文リスト
- A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Perceptual Evaluation of GANs and Diffusion Models for Generating X-rays [0.7578439720012189]
生成画像モデルは、自然画像と医療画像の両方において顕著な進歩を遂げている。
4つの異常を条件に胸部X線を合成するための最先端生成モデル-GAN(Generative Adversarial Networks)と拡散モデル(Diffusion Models)の有効性を評価する。
論文 参考訳（メタデータ） (2025-08-10T00:32:18Z) - Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。
既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。
本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
論文 参考訳（メタデータ） (2025-07-10T12:36:20Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$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) - Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。
我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
論文 参考訳（メタデータ） (2024-03-26T14:21:49Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - An Attentive-based Generative Model for Medical Image Synthesis [18.94900480135376]
注意に基づく二重コントラスト生成モデルであるADC-cycleGANを提案する。
このモデルは、二重コントラスト損失項とCycleGAN損失を統合し、合成された画像がソース領域と区別可能であることを保証する。
実験により,提案したADCサイクルGANモデルが,他の最先端生成モデルに匹敵するサンプルを生成することが示された。
論文 参考訳（メタデータ） (2023-06-02T14:17:37Z) - 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) - 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) - MRI to PET Cross-Modality Translation using Globally and Locally Aware GAN (GLA-GAN) for Multi-Modal Diagnosis of Alzheimer's Disease [0.6597195879147557]
現実像を合成できるGAN(Generative Adversarial Network)は、標準的なデータ拡張手法の代替として大きな可能性を秘めている。
本稿では,グローバルな構造的整合性と局所的細部への忠実さを両立させるマルチパスアーキテクチャにより,グローバルかつ局所的に認識された画像間変換GAN(GLA-GAN)を提案する。
論文 参考訳（メタデータ） (2021-08-04T16:38:33Z) - Free-form tumor synthesis in computed tomography images via richer
generative adversarial network [25.20811195237978]
本稿では,CT画像における3次元腫瘍/レセオン合成のための,よりリッチな生成対向ネットワークを提案する。
このネットワークは、新しいリッチな畳み込み特徴強化拡張拡張型ジェネレータ(richerdg)とハイブリッド損失関数で構成されている。
論文 参考訳（メタデータ） (2021-04-20T00:49:35Z)
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。