論文の概要: Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2610.03224v1
• Date: Fri, 02 Oct 2026 12:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.371817
• Title: Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis
• Title（参考訳）: 拡散型医用画像合成における意味的正確性のプロキシとしての不確かさ
• Abstract要約: 非造影CT(NCCT)から造影CT(CECT)を合成する拡散モデル ピクセル強度と特徴空間類似度は、直接解剖学的正確性を測定するものではない。 拡散型医用画像合成において,不確実性が意味的正当性のプロキシとして機能するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 4.414883048298223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models can synthesise contrast-enhanced CT (CECT) from non-contrast CT (NCCT), avoiding contrast administration and its environmental and patient-access costs. However, visually realistic images are not necessarily anatomically correct, and the pixel-intensity and feature-space similarity metrics used to assess generation quality do not directly measure anatomical correctness. In this work, we investigate whether uncertainty can serve as a proxy for semantic correctness in diffusion-based medical image synthesis. We study NCCT-to-CECT synthesis using AortaDiff, a multitask diffusion framework that jointly generates CECT images and lumen segmentations. The segmentation output provides an explicit representation of the generated vascular anatomy, enabling segmentation-derived errors to be used as a quantitative measure of generation correctness. Six methods spanning weight (Ensemble, HyperDiff, BayesDiff), architecture-perturbation (MCDropout), generative-stochasticity (RDS) and input-perturbation (TTA) uncertainty are compared at the pixel, region and image levels, and for detection of clinically relevant out-of-distribution (OOD) cases. Uncertainty proves informative at all three spatial scales, remains informative on an external multi-centre dataset under distribution shift, and supports OOD detection. MCDropout stands out among the six: it ranks among the leading methods at every scale, generalizes well on the external dataset, and can be enabled at inference on any model already trained with dropout, so reliable uncertainty comes at no extra training cost. Uncertainty reliably flags severe failures but discriminates poorly among already high-quality images. These findings support uncertainty as a practical and computationally economical signal for quality filtering, reliability assessment and OOD detection in NCCT-to CECT synthesis.
• Abstract（参考訳）: 拡散モデルは非造影CT(NCCT)からコントラスト強調CT(CECT)を合成することができ、コントラスト管理とその環境および患者アクセスコストを回避できる。 しかし、視覚的に現実的な画像は必ずしも解剖学的に正しいわけではなく、生成品質を評価するために使用される画素強度と特徴空間類似度は、解剖学的正確性を直接測定するものではない。 本研究では,拡散型医用画像合成において,不確実性が意味的正当性のプロキシとして機能するかどうかを検討する。 我々は,CECT画像とルーメンセグメンテーションを共同生成するマルチタスク拡散フレームワークであるAortaDiffを用いたNCCT-to-CECT合成について検討した。 セグメンテーション出力は、生成された血管解剖の明示的な表現を提供し、セグメンテーション由来の誤差を生成精度の定量的尺度として使用できる。 重量(Ensemble, HyperDiff, BayesDiff), Architecture-perturbation(MCDropout), Generative-stochasticity(RDS), input-perturbation(TTA)の6つの手法を画素,領域,画像レベルで比較し,臨床的に関連するアウト・オブ・ディストリション(OOD)症例を検出する。 不確実性は3つの空間スケールすべてにおいて情報的であり、分散シフトの下で外部のマルチセントデータセットに情報的であり、OOD検出をサポートする。 MCDropoutは、あらゆるスケールで主要なメソッドにランクインし、外部データセットをうまく一般化し、既にドロップアウトでトレーニング済みのモデルで推論できるため、信頼性の高い不確実性は、追加のトレーニングコストを伴わない。 不確実性は深刻な失敗を確実に警告するが、既に高品質な画像では識別が不十分である。 これらの知見は,NCCT-to CECT合成における品質フィルタリング,信頼性評価,OOD検出のための実用的かつ経済的信号としての不確実性を支持する。

関連論文リスト

• MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis [12.80647654676651]
  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。
  論文  参考訳（メタデータ） (2026-09-15T13:32:37Z)
• 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)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
  本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。 これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
  論文  参考訳（メタデータ） (2024-06-02T15:19:07Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Anatomically constrained CT image translation for heterogeneous blood vessel segmentation [3.88838725116957]
  造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。 放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。 CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。 本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
  論文  参考訳（メタデータ） (2022-10-04T16:14:49Z)
• 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)
• 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)
• Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement [3.222802562733787]
  条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。 本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。 医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
  論文  参考訳（メタデータ） (2021-10-07T11:29:03Z)

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。