論文の概要: MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis

• arxiv url: http://arxiv.org/abs/2609.17169v1
• Date: Tue, 15 Sep 2026 13:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.536436
• Title: MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis
• Title（参考訳）: MUMINS:メタデータによる不確かさを意識した医用画像の次世代合成
• Abstract要約: 我々は,効率的な拡散フレームワークであるMUMINS(Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis)を提案する。 ベースラインスキャンとフォローアップ残差を共同で拡散し、フォローアップスキャンを合成し、空間不確実性マップを同時に予測する。 臓器に依存しない設計で、同じアーキテクチャは、別々のデータセット固有の再トレーニングを通じて解剖学的に再利用される。
• 参考スコア（独自算出の注目度）: 12.80647654676651
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting anatomical changes such as tumor growth and neurodegeneration is a challenging generative vision task. Morphological evolution is subtle relative to static anatomy, highly patient-specific, and inherently stochastic. Existing methods struggle with several issues: deterministic networks ignore biological stochasticity, while standard diffusion models require computationally prohibitive multi-pass sampling to quantify uncertainty. We propose MUMINS (Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis), an efficient diffusion framework that jointly diffuses a baseline scan and its follow-up residual, summed to synthesize the follow-up scan, while concurrently predicting a spatial uncertainty map, in a single reverse diffusion process. Conditioned on the time interval and relevant metadata, it preserves fine-grained anatomy by dynamically re-injecting the baseline as a soft anchor at every denoising step, and a negative-log-likelihood head learns the uncertainty map to explicitly flag error-prone regions. Designed without organ-specific heuristics, the same architecture is reused across anatomies via separate, dataset-specific retraining. Extensive evaluations demonstrate that dataset-specific retraining of MUMINS matches or outperforms dedicated, domain-specific state-of-the-art methods on lung CT (PNG) and brain MRI (OASIS-3). Project page: https://github.com/aolivtous/MUMINS.
• Abstract（参考訳）: 腫瘍成長や神経変性などの解剖学的変化を予測することは、生成的視覚課題である。 形態学的進化は、静的解剖学と微妙な関係にあり、非常に患者固有のものであり、本質的に確率的である。 決定論的ネットワークは生物学的確率性を無視するが、標準的な拡散モデルは不確実性を定量化するために計算的に禁止されたマルチパスサンプリングを必要とする。 本稿では,一逆拡散過程において空間不確実性マップを同時に予測しながら,ベースラインスキャンと追従残差を共同で拡散する効率的な拡散フレームワークであるMUMINSを提案する。 時間間隔と関連するメタデータに条件付きで、デノナイジングステップ毎にベースラインをソフトアンカーとして動的に再注入することで、きめ細かな解剖を保存し、負のログのようなヘッドが不確実性マップを学習してエラーが発生しやすい領域を明示的にフラグする。 臓器固有のヒューリスティックを使わずに設計され、同じアーキテクチャは、データセット固有の別個のトレーニングを通じて解剖学的に再利用される。 広範囲な評価の結果、MUMINSのデータセット特異的再トレーニングは、肺CT(PNG)と脳MRI(OASIS-3)の専門的、ドメイン特異的な最先端の手法と一致していることが示された。 プロジェクトページ:https://github.com/aolivtous/MUMINS。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• 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)
• AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
  我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。 このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。 5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-06-28T11:36:31Z)
• Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
  ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。 3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。 正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
  論文  参考訳（メタデータ） (2026-06-24T08:10:27Z)
• TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model [0.338424069286569]
  TimeLesSegは、その入力に時間次元の有無にかかわらずMS病変を分断するように設計されたコントラストに依存しない統合フレームワークである。 本手法は, 病変マスクと現在のスキャンを併用した病理組織学的先行をモデル化する。 クロスセクション処理は、事前情報が得られないトレーニングケースにモデルを公開することによって実現される。
  論文  参考訳（メタデータ） (2026-05-08T16:19:34Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification [10.329406702659123]
  造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。 既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。 本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:44:50Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。