論文の概要: CarDiff: Anatomically Aware Dental Caries Synthesis using Diffusion
- arxiv url: http://arxiv.org/abs/2611.00062v1
- Date: Tue, 13 Oct 2026 11:38:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 03:38:20.939564
- Title: CarDiff: Anatomically Aware Dental Caries Synthesis using Diffusion
- Title(参考訳): CarDiff:拡散を利用した解剖学的歯列合成
- Abstract要約: カルディフ(CarDiff)は、パノラマ線写真における歯列合成のための半教師付きフレームワークである。
この方法は,2つのマスクイメージ学習と,拡張マスクからの自己教師付き生成を組み合わせる。
セグメンテーション誘導による監督と解剖学的アライメントによってセマンティック一貫性が実現される。
- 参考スコア(独自算出の注目度): 51.44474773009293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic medical image generation can help address limited annotated data in dental imaging, particularly for under-represented caries classes. In this work, we present CarDiff, a semi-supervised framework for dental caries synthesis in panoramic radiographs. The method combines paired mask-image learning with self-supervised generation from augmented masks, while incorporating anatomy-aware conditioning between lesion regions and surrounding structures. Semantic consistency is enforced through segmentation-guided supervision and adversarial anatomical alignment. Experiments on the MLUA-DC1000 dataset show that CarDiff achieves improved synthesis quality compared with existing semantic synthesis baselines, obtaining the best Fréchet Inception Distance (FID) (90.76) and Learned Perceptual Image Patch Similarity (LPIPS) (0.48) scores among evaluated methods. We further assess the generated radiographs for downstream segmentation augmentation across seven architectures. Using a 5x augmented training set improves average Dice score by up to 6.5%, with larger gains observed for medium and combined lesion classes. These results suggest that anatomically consistent diffusion synthesis may be useful for dental radiograph augmentation under limited supervision. The code is available at https://github.com/s4nyam/CarDiff.
- Abstract(参考訳): 合成医用画像生成は、歯科画像における限られた注釈付きデータに対処するのに役立ちます。
本研究は,パノラマX線写真における歯列合成のための半教師付きフレームワークであるCarDiffについて述べる。
この方法は、対のマスク画像学習と拡張マスクからの自己教師付き生成を組み合わせ、病変領域と周辺構造との間に解剖学的条件を組み込む。
セグメンテーション誘導による監督と解剖学的アライメントによってセマンティック一貫性が実現される。
MLUA-DC1000データセットの実験では、CarDiffは既存のセマンティック合成ベースラインと比較して、合成品質の向上を実現し、評価手法の中で最高のFréchet Inception Distance (FID) (90.76) とLearted Perceptual Image Patch similarity (LPIPS) (0.48) のスコアを得た。
さらに,7つのアーキテクチャにまたがる下流セグメンテーション拡張のための生成したラジオグラフィーを評価する。
5倍の強化トレーニングセットを使用することで、平均Diceスコアが最大6.5%向上し、中等度と複合病変のクラスでより大きな利得が観察される。
これらの結果から, 解剖学的に一貫した拡散合成は, 限られた監督下での歯科用X線撮影の増強に有用である可能性が示唆された。
コードはhttps://github.com/s4nyam/CarDiff.comで入手できる。
関連論文リスト
- A Vision-language Framework for Comparative Reasoning in Radiology [68.52471827773482]
我々は,放射線学的比較を実体認識のクロスイメージ推論問題として定式化する。
我々は,日常的な画像とレポートのペアから得られた大規模比較画像資源を構築した。
臨床類似症例の検索を制御可能なエンティティ対応ビジュアルエンコーダであるMedReCoを開発した。
論文 参考訳(メタデータ) (2026-06-04T17:12:47Z) - Synthesis of Late Gadolinium Enhancement Images via Implicit Neural Representations for Cardiac Scar Segmentation [5.831251510136535]
後期ガドリニウム造影(LGE)は、心筋傷の診断における臨床標準である。
LGE画像と対応するセグメンテーションマスクの両方を合成する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2026-02-12T13:38:07Z) - DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [3.890243179348094]
医療応用のための堅牢で成功したディープラーニングモデルを開発するためには、大規模で大きな変動のある高品質なデータが不可欠である。
本稿では,DiffBoostと呼ばれる医用画像合成のための制御可能な拡散モデルを提案する。
近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。
論文 参考訳(メタデータ) (2023-10-19T16:18:02Z) - High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳(メタデータ) (2023-05-02T01:04:22Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳(メタデータ) (2021-04-11T09:16:29Z) - Image Translation for Medical Image Generation -- Ischemic Stroke
Lesions [0.0]
注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。
画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。
臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
論文 参考訳(メタデータ) (2020-10-05T09:12:28Z) - XCAT-GAN for Synthesizing 3D Consistent Labeled Cardiac MR Images on
Anatomically Variable XCAT Phantoms [0.7153299673914196]
GAN(Generative Adversarial Network)は、高忠実度画像の合成により、有望なデータ濃縮ソリューションを提供する。
そこで本研究では, 心磁気共鳴(CMR)画像を, 解剖学的変化が大きい仮想被験者の集団に合成する方法を提案する。
論文 参考訳(メタデータ) (2020-07-27T10:05:04Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳(メタデータ) (2020-05-08T02:16:17Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。