論文の概要: NV-Generate-Body: 3D Latent Diffusion Model forControllable Anatomy, Tumor, and Demographic Body Mask Synthesis

• arxiv url: http://arxiv.org/abs/2610.24153v2
• Date: Tue, 20 Oct 2026 23:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.973709
• Title: NV-Generate-Body: 3D Latent Diffusion Model forControllable Anatomy, Tumor, and Demographic Body Mask Synthesis
• Title（参考訳）: NV-Generate-Body:3D Latent Diffusion Model for Controllable Anatomy, tumor, and Demographic Body Mask Synthesis
• Abstract要約: 本研究では, 臓器解剖, 腫瘍負担, 患者の人口動態を正確に制御し, 全身CT分割マスクを合成する3次元潜伏拡散モデルを提案する。 このモデルは冷凍マスクオートエンコーダの圧縮潜在空間で動作し、19次元ベクトルで条件付き2563ドルのラベルマップを生成する。
• 参考スコア（独自算出の注目度）: 14.815697810199168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Curating large labeled CT datasets is expensive and constrained by patient privacy. We present NV-Generate-BodyMask, a 3D latent diffusion model that synthesizes whole-body CT segmentation masks with precise, joint control over organ anatomy, tumor burden, and patient demographics. The model operates in the compressed latent space of a frozen mask autoencoder, generating $256^3$ volumetric label maps conditioned on a 19-dimensional vector via Adaptive Group Normalization and cross-attention. A size-adaptive ROI loss with spatial halo weighting and a paired tumor injection pipeline enable accurate tumor size conditioning despite the scarcity of annotated tumor cases. Trained on 8,571 masks across 26 cohorts spanning 132 labels, the model achieves Spearman $ρ= 0.70$--$0.92$ for organ size, 85--100\% tumor recall for lung, pancreatic, colon, and bone lesions, and strong demographic alignment (BMI $ρ= 0.78$, sex-conditioned perfect prostate control).
• Abstract（参考訳）: 大きなラベル付きCTデータセットのキュレーションは費用がかかり、患者のプライバシによって制約される。 NV-Generate-BodyMaskは, 臓器解剖, 腫瘍負担, および患者の人口動態を正確に制御し, 全身CTセグメント化マスクを合成する3次元潜伏拡散モデルである。 このモデルは冷凍マスクオートエンコーダの圧縮潜在空間で動作し、19次元ベクトル上でアダプティブ・グループ正規化とクロスアテンションにより256^3$の体積ラベルマップを生成する。 空間ハロー重み付けとペアリングした腫瘍注入パイプラインによるサイズ適応型ROI損失は,注釈付き腫瘍症例の不足にもかかわらず,正確な腫瘍サイズ条件付けを可能にする。 132のラベルにまたがる26のコホートに8,571のマスクでトレーニングされたこのモデルでは、臓器サイズのSpearman $ρ=0.70$--$0.92$、肺、膵、大腸、骨病変の85-100\%の腫瘍リコール、強力な人口動態(BMI $ρ=0.78$、性条件付き前立腺コントロール)が達成されている。

関連論文リスト

• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• LAND: Lung and Nodule Diffusion for 3D Chest CT Synthesis with Anatomical Guidance [11.420298943913075]
  この方法は1mmの等方分解能で256x256x256の画像を1つの中距離GPUで合成する。 コンディショニングマスクは肺と結節領域を規定し、出力された解剖学的特徴の正確な制御を可能にする。
  論文  参考訳（メタデータ） (2025-10-21T09:20:22Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model [0.15833270109954134]
  造影MRI画像において高画質の乳腺腫瘍を発生する3次元医療拡散モデル(SynBT)を提案する。 提案モデルは,高分解能MRIをコンパクトな潜在空間に圧縮できるパッチ・ツー・ボリュームオートエンコーダで構成されている。 提案手法は, 高品質な腫瘍合成法により, 共通セグメンテーションモデルを容易に構築できることを実証した。
  論文  参考訳（メタデータ） (2025-09-03T12:33:54Z)
• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Vox2Vox: 3D-GAN for Brain Tumour Segmentation [0.0]
  脳腫瘍の分節化のための3Dボリューム・ツー・ボリューム・ジェネレーティブ・アドリアネットワークを提案する。 Vox2VoxはマルチチャネルMR画像からリアルなセグメンテーション出力を生成する。
  論文  参考訳（メタデータ） (2020-03-19T18:57:08Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。