論文の概要: Posterior Samplings are Missing Modalities Generators for Medical Image Translation
- arxiv url: http://arxiv.org/abs/2607.18763v1
- Date: Tue, 21 Jul 2026 06:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.338246
- Title: Posterior Samplings are Missing Modalities Generators for Medical Image Translation
- Title（参考訳）: 医用画像翻訳用モダリティ発生器の後方サンプリング
- Abstract要約: 連立分布下での線形逆問題として欠落モダリティ生成を定式化する統一的枠組みを提案する。
完全モダリティ集合に先立って関節を学習することにより,提案手法は推定時に任意のモダリティを再構成することができる。
BraTS と IXI データセットを用いた実験により,本手法は,ほとんどの欠落したモダリティシナリオにおいて,ベースラインよりも最高のパフォーマンスを達成することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Magnetic resonance imaging comes in various modality contrasts that provide complementary anatomical and pathological information. Complete multimodal acquisitions are often unavailable due to time and protocol constraints. This leads to real-world datasets with missing modalities, where conventional medical image translation methods are typically limited to fixed source-target settings or require retraining for each observed source-target pair. We propose a unified framework that formulates missing-modality generation as a linear inverse problem under a joint distribution and solves it via posterior sampling with a flow matching model. By learning a joint prior over the complete modality set, our method can reconstruct arbitrary missing modalities at inference time by guiding the sampling trajectory to enforce measurement consistency with observed modalities. We further mitigate inter-modality error propagation in multi-target generation by adopting a many-to-one sampling strategy. Experiments on BraTS and IXI datasets show that our method achieves the best performance over baselines across most missing-modality scenarios. In downstream tumor segmentation, synthesized images from our method result in higher segmentation performance, indicating better preservation of clinically relevant structures.
- Abstract（参考訳）: 磁気共鳴イメージングは、相補的な解剖学的および病理学的情報を提供する様々なモードコントラストを持つ。
完全なマルチモーダル取得は、時間とプロトコルの制約のためしばしば利用できない。
従来の医用画像変換手法は通常、固定されたソースターゲット設定に制限されるか、観察されたソースターゲットペア毎に再トレーニングを必要とする。
本稿では, 連立分布下での線形逆問題として不等式生成を定式化し, フローマッチングモデルを用いて後続サンプリングにより解いた統一フレームワークを提案する。
完全モダリティ集合上の関節を学習することにより、サンプリング軌道を誘導し、観測されたモダリティと測定整合性を強制することにより、任意のモダリティを推定時に再構成することができる。
マルチターゲット生成におけるモーダリティ間エラーの伝播を,多対一のサンプリング戦略を採用することにより緩和する。
BraTS と IXI データセットを用いた実験により,本手法は,ほとんどの欠落したモダリティシナリオにおいて,ベースラインよりも最高のパフォーマンスを達成することが示された。
下流腫瘍セグメンテーションでは, 術式から合成した画像がより高いセグメンテーション性能を示し, 臨床関連構造物の保存性の向上が示唆された。
関連論文リスト
- TRACE: A Temporal Conditional Estimation for Multimodal Time Series Foundation Models [38.02980231068582]
時系列基礎モデル(TS-FM)は、幅広い下流タスクに適応可能な一般化可能な時間表現を学習することを目的としている。
既存のアプローチは一般的に、単純な命令やマスキング戦略に頼っているが、これはクロスモーダルな依存関係を考慮できない。
本稿では,マルチモーダル時系列基礎モデルパイプラインに対する条件推定パラダイムであるTRACEを提案する。
論文 参考訳（メタデータ） (2026-06-04T15:25:03Z) - Context-driven Missing-Modality Learning for Robust Medical Diagnosis with Image-Tabular Data [38.54068135443487]
本稿では,コンテキスト駆動型ミス・モダリティ学習フレームワークを提案する。
連続的にモダリティ合成とセマンティックアライメントを行い、堅牢な診断を実現する。
最先端のSOTA(State-of-the-art)法では、それぞれ1.26%、0.97%、1.32%のAVG AUCの改善を実現している。
論文 参考訳（メタデータ） (2026-05-25T15:44:26Z) - Resilient Vision-Tabular Multimodal Learning under Modality Missingness [1.696842238811138]
マルチモーダルディープラーニングは医療応用において大きな可能性を秘めている。
既存のアプローチの多くは、完全にモダリティの可用性を暗黙的に仮定している。
共同視覚・タブラリ学習のためのマルチモーダルトランスフォーマーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T12:14:13Z) - Calibrated Multimodal Representation Learning with Missing Modalities [100.55774771852468]
マルチモーダル表現学習は、それらを統一潜在空間に整列させることにより、異なるモダリティを調和させる。
最近の研究は、従来のクロスモーダルアライメントを一般化して、強化されたマルチモーダル・シナジーを生成するが、すべてのモダリティを共通の例に含める必要がある。
我々は、アンカーシフトの観点から、この問題に関する理論的洞察を提供する。
モーダルの欠如に起因する不完全なアライメントを校正するために,マルチモーダル表現学習のためのCalMRLを提案する。
論文 参考訳（メタデータ） (2025-11-15T05:01:43Z) - LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling [38.700993166492495]
本稿では,事前学習した潜伏拡散モデルを用いた再帰サンプリングによるデータセットフリーで統一的な手法を提案する。
本手法では,マルチモーダル理解モデルを用いて,タスクブレンド条件下で生成モデルにセマンティックな事前情報を提供する。
論文 参考訳（メタデータ） (2025-07-01T14:25:09Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。
我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文 参考訳（メタデータ） (2023-08-10T08:43:20Z) - M-GenSeg: Domain Adaptation For Target Modality Tumor Segmentation With
Annotation-Efficient Supervision [4.023899199756184]
M-GenSegは、クロスモダリティ腫瘍セグメンテーションのための、新しい半教師付きジェネレーショントレーニング戦略である。
4つの異なるコントラスト配列からなる脳腫瘍セグメント化データセットの性能評価を行った。
以前の技術とは異なり、M-GenSegは部分的に注釈付きソースモダリティでトレーニングする機能も導入している。
論文 参考訳（メタデータ） (2022-12-14T15:19:06Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳（メタデータ） (2022-07-07T16:57:21Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しい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。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z)
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。