論文の概要: PCaPaint: Prostate Cancer Inpainting by Mitigating Shortcut Learning

• arxiv url: http://arxiv.org/abs/2609.37350v1
• Date: Tue, 29 Sep 2026 12:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.47437
• Title: PCaPaint: Prostate Cancer Inpainting by Mitigating Shortcut Learning
• Title（参考訳）: PCaPaint:ショートカット学習の緩和による前立腺がんの塗布
• Abstract要約: 潜在拡散モデル(LDM)に基づく前立腺癌塗布法であるPCaPaintを紹介する。 合成腫瘍のテクスチャを損なうショートカット学習を克服するために, 簡易かつ効率的な条件付け戦略を提案する。 当法は,最新のLCMベースの腫瘍塗布法より有意に優れていた。
• 参考スコア（独自算出の注目度）: 0.16777183511743465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of AI systems for tumor-specific applications is limited by the scarcity of labeled data. Synthetic tumor inpainting offers a promising approach but faces challenges for prostate cancer MRI which contains high-resolution multi-sequence data. Although methods leveraging latent diffusion models (LDMs) enable large-volume synthesis, they are prone to shortcut learning, simply reproducing the condition image created by masking the lesion region. In this work, we introduce PCaPaint, a prostate cancer inpainting method based on LDMs that explicitly addresses this failure mode. To overcome shortcut learning that compromises synthetic tumor texture, we propose a simple yet efficient conditioning strategy in which the condition image is filled with Gaussian noise, and we provide theoretical justification. In addition, we propose a novel training objective for LDM that emphasizes the error within the lesion region. Furthermore, we introduce a multi-sequence latent design, in which T2w scans and DWI&ADC scans are compressed using two separate autoencoders to preserve their distinct frequency characteristics. Extensive experiments demonstrate that the generated synthetic data improves downstream performance in prostate lesion segmentation, patient-level classification and lesion-level detection. Furthermore, our method significantly outperforms a recent state-of-the-art LDM-based tumor inpainting method both in downstream performance and in synthetic image quality.
• Abstract（参考訳）: 腫瘍特異的な応用のためのAIシステムの開発はラベル付きデータの不足によって制限される。 合成腫瘍の塗布は有望なアプローチであるが、高解像度のマルチシーケンスデータを含む前立腺癌MRIの課題に直面している。 遅延拡散モデル(LDMs)を利用する手法は大規模合成を可能にするが、病変領域をマスキングすることによって生成された条件画像を単純に再現することで学習をショートカットする傾向がある。 本研究では,この障害モードに明示的に対処するLCMを用いた前立腺癌塗布法であるPCaPaintを紹介する。 合成腫瘍のテクスチャを損なうショートカット学習を克服するため,条件画像がガウス雑音で満たされている簡易かつ効率的な条件付け戦略を提案し,理論的に正当化する。 さらに,病変領域内における誤りを強調するLCMの新たなトレーニング目標を提案する。 さらに、T2wスキャンとDWI&ADCスキャンを2つの独立したオートエンコーダで圧縮し、それぞれの周波数特性を保存するマルチシーケンス潜時設計を提案する。 前立腺病変の分節化, 患者レベルの分類, 病変レベルの検出において, 生成した合成データが下流のパフォーマンスを向上させることを示した。 さらに, この手法は, 下流性能と合成画像品質の両方において, 最先端のLDMベースの腫瘍塗布法よりも優れていた。

関連論文リスト

• Improving Medical Image Generative Models with Fréchet Distance Loss [4.880558268852908]
  Fréchet Distance Los (FD-loss) を用いた微細拡散生成モデルを提案する。 FD-lossは、事前訓練されたエンコーダ空間における実画像と生成された画像の1階目と2階目の特徴統計を整列する。 FD正規化合成データに基づいてトレーニングされた下流セグメンテーションネットワークは、一貫して優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-07-14T22:11:15Z)
• DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
  低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。 我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
  論文  参考訳（メタデータ） (2026-06-26T09:55:37Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• 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)
• Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model [12.360775476995169]
  Gated Conditional Diffusion Model (GCDM)は,マンモグラフィ画像と局所病変を共同で合成する新しいフレームワークである。 GCDMは、合成マンモグラムのリアリズムと多様性を高めながら、小さな病変領域を正確に制御する。
  論文  参考訳（メタデータ） (2025-07-25T12:10:45Z)
• 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)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法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） (2022-03-29T08:41:17Z)
• METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
  本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。 解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。 生成した画像は,既存の手法に比べて定量的に顕著に改善された。
  論文  参考訳（メタデータ） (2021-04-22T11:18:17Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。