論文の概要: AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation

• arxiv url: http://arxiv.org/abs/2608.23014v1
• Date: Mon, 24 Aug 2026 09:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.007353
• Title: AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation
• Title（参考訳）: アナディフュージョン(AnaDiffusion) : 制御可能な3次元脳MRI生成のための解剖学的組成遅延拡散
• Abstract要約: 3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
• 参考スコア（独自算出の注目度）: 58.56402940400457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D brain MRI generation has made significant advances in medical imaging, simulation, and controllable anatomical analysis. However, existing generative models typically synthesize 3D volumes monolithically, often overlooking regional anatomical structures and limiting local controllability. To address these limitations, we introduce AnaDiffusion, an anatomically compositional latent diffusion framework that factorizes the generation process into distinct, anatomically meaningful regions, followed by part-to-whole assembly and global refinement. Our approach first trains part diffusion models to capture local structural priors. We then inject an assembled anatomical composite of the parts into the whole-brain latent representation and continue denoising. This mechanism enables the model to resolve global context while preserving the injected anatomy. As a result, AnaDiffusion produces both explicit part assets and a globally coherent volume, thereby enabling controllable part editing without requiring subject-specific dense segmentation maps at inference time while maintaining consistent part-to-whole brain structure. On the subject-disjoint ADNI test split, AnaDiffusion achieves the lowest FID across the whole brain, left and right hemispheres, cerebellar-brainstem complex, and seam regions. It also achieves the best cerebellar and second-best ventricular and brainstem absolute Cohen's d values among the evaluated methods. In localized editing experiments, paired MS-SSIM demonstrates high target transfer and off-target preservation, supporting controllable part replacement with minimal unintended anatomical alterations.
• Abstract（参考訳）: 3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 しかし、既存の生成モデルは一般的に3Dボリュームをモノリシックに合成し、しばしば局所的な解剖学的構造を見下ろし、局所的な制御性を制限する。 これらの制約に対処するため、AnaDiffusionという、解剖学的に構成された潜在拡散フレームワークを導入する。 我々のアプローチはまず、局所的な構造的先行を捉えるために拡散モデルの一部を訓練する。 次に、組み立てた解剖複合体を脳全体の潜伏表現に注入し、復調を継続する。 このメカニズムにより、注入された解剖学を保存しながら、大域的な文脈を解決できる。 その結果、AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、従属的な部分対全脳構造を維持しつつ、推論時に主観的な高密度セグメンテーションマップを必要とせず、制御可能な部分編集を可能にする。 主観的なADNIテスト分割では、AnaDiffusionは脳全体、左右半球、小脳-脳幹複合体、および海馬領域で最も低いFIDを達成している。 また、評価された方法の中で、最も優れた小脳、第2次心室、脳幹絶対d値を達成する。 局所的な編集実験では、MS-SSIMは高い目標移動と目標外保存を示し、最小限の意図しない解剖学的変化による制御可能な部分置換をサポートする。

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• SAMe: A Semantic Anatomy Mapping Engine for Robotic Ultrasound [60.64817443833982]
  本稿では,ロボット超音波に解剖学的先行層を明示する意味解剖マッピングエンジンSAMeを提案する。 SAMeはスキャン開始をターゲット・トゥ・アノプティ・トゥ・アクションのプロセスとして扱う。 単一の外部画像から、接地対象に対する患者固有の解剖学的表現をインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-28T13:44:09Z)
• Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
  Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。 軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
  論文  参考訳（メタデータ） (2026-01-21T01:45:36Z)
• Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
  3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
  論文  参考訳（メタデータ） (2025-09-10T23:22:05Z)
• Evaluation of 3D Counterfactual Brain MRI Generation [30.32365445563276]
  我々は6つの生成モデルを因果グラフに基づく解剖誘導フレームワークを組み込むことにより、3次元の対物的アプローチに変換する。 以上の結果より, 解剖学的条件付けが目的の解剖学的領域の調整に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-08-04T20:20:59Z)
• CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation [9.51662728609265]
  共同拡散(英語: Collaborative Diffusion、CA-Diff)は、空間解剖学的特徴を統合し、セグメンテーションの精度を高めるフレームワークである。 距離場を補助解剖条件として導入し,グローバルな空間的コンテキストを提供する。 また、距離場と解剖学的構造との関係を洗練するために、一貫性損失を導入する。
  論文  参考訳（メタデータ） (2025-06-28T13:39:09Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)

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。