論文の概要: ZODIAC: Zero-shot Octree-based Diffusion for Anatomical Completion

• arxiv url: http://arxiv.org/abs/2608.24422v1
• Date: Tue, 25 Aug 2026 11:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.948228
• Title: ZODIAC: Zero-shot Octree-based Diffusion for Anatomical Completion
• Title（参考訳）: 解剖学的完了のためのゼロショットオクターベース拡散法ZODIAC
• Abstract要約: 部分的な超音波観察から腰椎全体を再構築するゼロショット形状完成フレームワークを提案する。 適応オクツリー構造で表される全解剖学的形状よりも先に生成拡散を学習し、単一の前方通過における完全脊椎の効率的なモデリングを可能にする。
• 参考スコア（独自算出の注目度）: 35.930760373858206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering the full 3D spine anatomy from intraoperative ultrasound is an ill-posed inverse problem, as the complete structure must be inferred from incomplete and noisy observations. Acoustic occlusions and limited field of view create large unobserved regions, while view-dependent artifacts lead to variability in expert annotations of the visible anatomy. Current supervised ultrasound shape completion methods rely on synthetically generated incomplete-complete paired data to learn conditional mappings under a predefined distribution of simulated occlusions. However, real intraoperative occlusions do not necessarily follow this distribution, which can limit generalization to patient data. As a result, accurate and robust completion from noisy partial observations remains an unsolved problem. We propose a zero-shot shape completion framework that reconstructs the entire lumbar spine from partial ultrasound observations without relying on simulated training data. To accommodate unseen and irregular patterns of missing structures, we introduce blended completion, a mechanism that integrates the learned anatomical prior with incoming partial geometry at inference time. The method learns a generative diffusion prior over full anatomical shapes represented in an adaptive octree structure, enabling efficient modeling of the complete spine in a single forward pass. Validation on phantom and volunteer data shows that decoupling completion from a predefined corruption distribution improves generalisation under real occlusions, outperforming a fully supervised variant by 22% on HD95 completion error. Code and data are available at https://github.com/miruna20/ZODIAC.
• Abstract（参考訳）: 術中超音波から全3D脊椎解剖を復元することは, 完全構造が不完全でノイズの多い観察から推測されなければならないため, 逆問題である。 アコースティック・オクルージョンと限られた視野は大きな未観測領域を生み出し、ビュー依存のアーティファクトは可視解剖学のエキスパートアノテーションにおいて変動をもたらす。 現在の超音波形状合成法は, シミュレーションオクルージョンの予め定義された分布の下で条件付きマッピングを学習するために, 合成的に生成された不完全対のデータに依存している。 しかし、実際の術中閉塞は必ずしもこの分布に従わないため、患者データへの一般化を制限できる。 その結果、ノイズのある部分的な観測から正確で堅牢な完了は未解決の問題のままである。 そこで我々は, 模擬訓練データに頼らずに, 部分的超音波観察から腰椎全体を再構築するゼロショット形状補完フレームワークを提案する。 未知構造を不明瞭かつ不規則なパターンで表現するために,学習された解剖学と推論時の部分幾何学を結合する機構である混合完備化を導入する。 適応オクツリー構造で表される全解剖学的形状よりも先に生成拡散を学習し、単一の前方通過における完全脊椎の効率的なモデリングを可能にする。 ファントムデータとボランティアデータの検証は、事前定義された汚職分布からのデカップリング完了が、実際の閉塞下での一般化を改善することを示し、HD95の完了誤差に対して22%の教師付き変異よりも優れていた。 コードとデータはhttps://github.com/miruna20/ZODIACで公開されている。

関連論文リスト

• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis [4.554894288663752]
  我々は,長期医療画像の制御可能な病期における合成の課題に対処する。 本誌のフレームワークDisentangled Anatomy Diffusionは、2つの相補的な埋め込みに潜時拡散モデルを適用している。 疾患関連チャネルを識別・抑制するクロスアテンションに基づく消去機構であるFeatureを導入する。 提案手法は,全重度レベルの高忠実度画像を生成し,スキュートクラス分布を効果的に再バランスさせる。
  論文  参考訳（メタデータ） (2026-05-03T12:35:12Z)
• OSCAR: Occupancy-based Shape Completion via Acoustic Neural Implicit Representations [35.20946695773807]
  そこで本研究では, 超音波部分観察から3次元解剖学的形状を再構築する, 占有率に基づく形状完備化手法を提案する。 提案手法では,画像から直接解剖学的表面を抽出し,推論中の解剖学的ラベルの必要性を回避する。 本手法は,Bモード超音波の最先端形状完成度をHD95スコアで80%向上することを示す。
  論文  参考訳（メタデータ） (2026-03-09T11:51:56Z)
• Learning Topology-Aware Implicit Field for Unified Pulmonary Tree Modeling with Incomplete Topological Supervision [11.015069221513457]
  TopoFieldは、肺木解析のためのトポロジーを意識した暗黙のモデリングフレームワークである。 完全なあるいは明示的な切断アノテーションに頼ることなく、トポロジーの修復をサポートする連続的な暗黙のフィールドを学ぶ。 常に位相的完全性を改善し、挑戦的な不完全なシナリオの下で正確な解剖学的ラベリングと肺部分再建を実現する。
  論文  参考訳（メタデータ） (2026-02-02T14:53:29Z)
• UltrON: Ultrasound Occupancy Networks [38.32197440821245]
  SDFや占有関数のような暗黙の表現は、従来のボクセルやメッシュベースの方法に代わる強力な代替手段を提供する。 これらのアプローチは、Bモード強度に埋め込まれたリッチな音響情報を見渡して、正確なアノテーションにヒンジする。 本稿では, 音響的特徴を利用して幾何整合性を向上させる, 占有率に基づく表現とglsUltrONの導入を提案する。
  論文  参考訳（メタデータ） (2025-09-10T20:38:59Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。