論文の概要: Image-Conditioned Diffusion Models for Quality Assurance of Organ-at-Risk Segmentations in Radiotherapy

• arxiv url: http://arxiv.org/abs/2608.23432v1
• Date: Mon, 24 Aug 2026 16:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.193201
• Title: Image-Conditioned Diffusion Models for Quality Assurance of Organ-at-Risk Segmentations in Radiotherapy
• Title（参考訳）: 放射線治療におけるオルガン・アット・リスク・セグメンテーションの品質保証のための画像合成拡散モデル
• Abstract要約: 頭頸部CTにおける分割誤り検出のための規範的モデリングについて検討する。 VAEフレームワークと画像条件付きセグメンテーション拡散モデルを比較した。 その結果, 局所的, 解剖学的セグメンテーションQAの枠組みとして, 画像条件の拡散再構成が期待できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate organ-at-risk segmentation is essential for radiotherapy planning, but reviewing segmentations is time-consuming and subjective. We investigate normative modelling for segmentation error detection in head-and-neck CT, comparing a VAE framework with an image-conditioned segmentation diffusion model. Models were evaluated on RADCURE brainstem and spinal cord segmentations using simulated boundary and width perturbations. Error detection was assessed using the Dice similarity coefficient and the Distance to Agreement (DTA) between the input and reconstructed segmentations. While both models detected some simulated errors, regional DTA showed that the diffusion model localised subtle boundary errors more consistently. These results support image-conditioned diffusion reconstruction as a promising framework for localised, anatomy-aware segmentation QA.
• Abstract（参考訳）: 放射線治療計画には正確な臓器-リスクセグメンテーションが不可欠であるが、セグメンテーションの見直しは時間がかかり、主観的である。 頭頸部CTにおけるセグメンテーション誤差検出の規範的モデリングについて検討し,VAEフレームワークと画像条件付きセグメンテーション拡散モデルとの比較を行った。 模擬境界と幅摂動を用いたRADCURE脳幹と脊髄セグメンテーションのモデル評価を行った。 入力セグメンテーションと再構成セグメンテーションの間にDice類似係数とDTA(Distance to Agreement)を用いて誤差検出を行った。 どちらのモデルもいくつかの模擬誤差を検出したが、局所的なDTAは拡散モデルが微妙な境界誤差をより一貫的に局所化することを示した。 これらの結果は,局所的・解剖学的セグメンテーションQAに期待できる枠組みとして,画像条件の拡散再構成をサポートする。

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)
• AREPAS: Anomaly Detection in Fine-Grained Anatomy with Reconstruction-Based Semantic Patch-Scoring [0.6001999957263661]
  正常な微細組織変動は、既存の生成異常検出法において大きな課題である。 本稿では,この問題に対処する新しいAD手法を提案する。 これは、異常のない再構成のためのイメージ・ツー・イメージ変換と、観察された画像対と生成された画像対の間のパッチ類似性からなり、正確な異常局所化を行う。 結果, 胸部CTと脳MRIではピクセルレベルの異常セグメンテーションが改善し, 比較的DICEスコアが+1.9%, +4.4%向上した。
  論文  参考訳（メタデータ） (2025-09-16T09:59:47Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
  拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。 マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。 我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-25T09:57:52Z)
• Unsupervised correspondence with combined geometric learning and imaging for radiotherapy applications [0.0]
  本研究の目的は, 放射線治療への応用において, 異なる患者の臓器区分間の対応点を正確に同定するモデルを開発することである。 3次元形状の同時対応と推定のためのモデルとして,頭部と頸部の臓器の分節をCTスキャンから訓練した。 次に、2つのアプローチを用いて画像情報を組み込むため、オリジナルモデルを拡張した。
  論文  参考訳（メタデータ） (2023-09-25T16:29:18Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)

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。