論文の概要: 3D Diffusion Models for Medical Imaging

• arxiv url: http://arxiv.org/abs/2610.26475v1
• Date: Mon, 19 Oct 2026 14:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 03:00:09.872614
• Title: 3D Diffusion Models for Medical Imaging
• Title（参考訳）: 医用画像の3次元拡散モデル
• Abstract要約: 画像合成において,変分オートエンコーダや生成逆数ネットワーク,拡散モデルなどの生成的深層学習手法が顕著な成果を上げている。 Computed Tomography, Magnetic Resonance Imaging, Positron Emission Tomographyなどの医療画像では、データ拡張、ドメイン転送、画像再構成、塗装、画像拡張、アーティファクト修正などの重要なユースケースがある。 特定の課題は、医学画像の3Dボリュームの性質がメモリ、計算、およびデータトレーニングの面でかなりの要求に結びついているためである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative deep learning methods such as Variational Autoencoders, Generative Adversarial Networks or Diffusion Models have achieved remarkable results in image synthesis. In particular, Diffusion Models have demonstrated superior image fidelity and sample diversity compared to other approaches on standard benchmarks, while also offering more flexible training dynamics as evidenced both in natural image domains and in medical applications. In medical imaging including Computed Tomography, Magnetic Resonance Imaging or Positron Emission Tomography, such models have various important use-cases including data augmentation, domain transfer, image reconstruction, inpainting, image augmentation and artifact correction. Further, generated images can be conditioned on patient characteristics, medical reports, segmentation masks or other images. Specific challenges arise due to the 3D volumetric nature of medical images, which translate to substantial demands in terms of memory, compute, and training data. This article provides a comparative overview of 3D Diffusion Models which have been developed for medical images, with a focus on current performance, limitations, and an outlook for future work.
• Abstract（参考訳）: 画像合成において,変分オートエンコーダや生成逆数ネットワーク,拡散モデルなどの生成的深層学習手法が顕著な成果を上げている。 特に拡散モデルでは、標準ベンチマークの他のアプローチと比べて画像の忠実度とサンプルの多様性が優れていることを示し、また、自然な画像領域と医学的応用の両方で証明されたような、より柔軟なトレーニングのダイナミクスを提供している。 Computed Tomography, Magnetic Resonance Imaging, Positron Emission Tomographyなどの医療画像では、これらのモデルには、データ拡張、ドメイン転送、画像再構成、塗装、画像拡張、アーティファクト修正など、様々な重要なユースケースがある。 さらに、生成された画像は、患者の特徴、医療報告、セグメンテーションマスク、その他の画像に基づいて調整することができる。 特定の課題は、医学画像の3Dボリュームの性質がメモリ、計算、およびデータトレーニングの面でかなりの要求に結びついているためである。 本稿では,医用画像として開発された3次元拡散モデルの概要について概説する。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Deep Generative Models for 3D Medical Image Synthesis [1.931185411277237]
  深部生成モデリングは、現実的な医療画像を合成するための強力なツールとして登場した。 本章では3次元医用画像合成のための様々な深部生成モデルについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:33:23Z)
• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Medical Diffusion -- Denoising Diffusion Probabilistic Models for 3D Medical Image Generation [0.6486409713123691]
  拡散確率モデルが高品質な医用画像データを合成可能であることを示す。 本研究は,2人の医療専門家による読影研究を通じて,そのパフォーマンスを定量的に測定する。 自己教師付き事前訓練において合成画像が利用可能であることを示し,データ不足時の乳房分割モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2022-11-07T08:37:48Z)
• Adapting Pretrained Vision-Language Foundational Models to Medical Imaging Domains [3.8137985834223502]
  臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。 安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。 我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
  論文  参考訳（メタデータ） (2022-10-09T01:43:08Z)
• Masked Image Modeling Advances 3D Medical Image Analysis [0.41674286453548476]
  マスク付き画像モデリング(MIM)は、大量の未ラベルデータから学習する能力から注目されている。 本論文は,MIMが自然画像に加えて,3次元医用画像解析も進めることができることを示す。
  論文  参考訳（メタデータ） (2022-04-25T15:16:08Z)
• Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
  本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
  論文  参考訳（メタデータ） (2020-06-24T18:00:01Z)

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。