論文の概要: Diffusion Models in Medical Image Inpainting: Challenges, Solution Taxonomy, and Future Directions

• arxiv url: http://arxiv.org/abs/2607.21904v1
• Date: Fri, 24 Jul 2026 02:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.030945
• Title: Diffusion Models in Medical Image Inpainting: Challenges, Solution Taxonomy, and Future Directions
• Title（参考訳）: 医用画像塗布における拡散モデル--課題,解決分類,今後の方向性
• Abstract要約: 拡散モデルは、医療画像の塗布のための最先端のジェネレーティブアプローチとして現れている。 本研究は, アーティファクトの除去, データ増強, 偽組織再建, 異常検出を中心に行われた。 しかしながら、このレビューでは、標準化されたベンチマークの欠如、データセットの多様性の制限、限定された検証手順など、重要な課題も強調されている。
• 参考スコア（独自算出の注目度）: 4.084837084015297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image inpainting aims to reconstruct missing or corrupted regions of an image while preserving as much as possible, visual and semantic consistency. In medical imaging, this task is particularly important because artifacts, missing information, and pathological alterations can compromise diagnostic reliability and downstream clinical applications. Recently, diffusion models have emerged as state-of-the-art generative approaches for medical image inpainting due to their ability to generate anatomically consistent reconstructions. This survey presents a systematic review of diffusion-based methods for medical image inpainting, covering the main architectures, applications, datasets, and evaluation strategies reported across 60 studies. In addition, we propose a taxonomy for diffusion-based approaches. The analysis reveals a rapid growth of research interest in diffusion-based medical image inpainting, with denoising diffusion probabilistic models and latent diffusion models emerging as the dominant architectures. The reviewed studies mainly focus on artifact removal, data augmentation, pseudo-healthy tissue reconstruction, and anomaly detection, particularly in magnetic resonance imaging and computed tomography imaging. Overall, diffusion models demonstrate strong performance in producing anatomically plausible reconstructions and aiding downstream clinical tasks. However, the review also highlights important challenges, including the lack of standardized benchmarks, limited dataset diversity, and restricted validation procedures across diverse clinical applications and imaging scenarios.
• Abstract（参考訳）: Image Inpaintingは、視覚的、セマンティックな一貫性を可能な限り保ちながら、画像の欠落または破損した領域を再構築することを目的としている。 医用画像におけるこの課題は, 人工物, 欠落情報, 病理学的変化が診断信頼性と下流臨床応用を損なう可能性があるため, 特に重要である。 近年,解剖学的に一貫した再構成を創出する能力により,医療画像の描出の最先端な生成手法として拡散モデルが出現している。 本調査では,60研究で報告された主なアーキテクチャ,アプリケーション,データセット,評価戦略を網羅し,医用画像の塗布に関する拡散法を体系的に検討した。 さらに,拡散に基づくアプローチの分類法を提案する。 この分析により,拡散型医用画像の塗布に対する研究の関心が急速に高まり,拡散確率モデルや潜伏拡散モデルが支配的アーキテクチャとして出現することが明らかとなった。 本研究は, アーティファクト除去, データ増強, 偽組織再構築, 異常検出, 特に磁気共鳴画像とCT画像に焦点をあてた。 全体として、拡散モデルは、解剖学的に妥当な再構築と下流臨床業務の補助において、強い性能を示す。 しかしながら、このレビューでは、標準化されたベンチマークの欠如、データセットの多様性の制限、さまざまな臨床応用と画像シナリオの限定された検証手順など、重要な課題も強調されている。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• 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)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• 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)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• Diffusion Models for Image Restoration and Enhancement: A Comprehensive Survey [73.86861112002593]
  本稿では,近年の拡散モデルに基づく画像復元手法について概観する。 我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。 本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
  論文  参考訳（メタデータ） (2023-08-18T08:40:38Z)
• DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
  一般医用画像分類のための拡散モデル(DiffMIC)を提案する。 実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-19T09:15:45Z)
• Diffusion Models for Medical Image Analysis: A Comprehensive Survey [7.272308924113656]
  生成モデルのクラスである拡散モデルのデノイングは、近年、様々なディープラーニング問題に多大な関心を集めている。 拡散モデルは、その強いモードカバレッジと、生成されたサンプルの品質で広く評価されている。 本調査では,医療画像解析の分野における拡散モデルの概要について概観する。
  論文  参考訳（メタデータ） (2022-11-14T23:50:52Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。