論文の概要: MedNet and U$^2$-ViT: A Nested Vision Transformer Diffusion Framework for Diverse Medical Images Generation

• arxiv url: http://arxiv.org/abs/2611.01605v1
• Date: Sun, 01 Nov 2026 05:42:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 15:50:24.060615
• Title: MedNet and U$^2$-ViT: A Nested Vision Transformer Diffusion Framework for Diverse Medical Images Generation
• Title（参考訳）: MedNetとU$^2$-ViT: 各種医用画像生成のためのNested Vision Transformer Diffusion Framework
• Abstract要約: MedNetは、61の疾患カテゴリと160のクラスにまたがって、人間と動物の両方をカバーする大規模なマルチモーダルテキスト・ツー・イメージデータセットである。 また,視覚変換器(ViT)をネストしたU-Net構造に配置した新しい拡散型テキスト・画像生成アーキテクチャであるU$2-ViTを提案する。
• 参考スコア（独自算出の注目度）: 11.086338870771286
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The scarcity of diverse, high-quality medical images remains a significant bottleneck in advancing AI-driven medical diagnostics and treatment planning. Traditional datasets often suffer from class imbalances, limited disease coverage, and insufficient variations in imaging conditions - challenges that hinder the development of robust, generalizable models. To address this, we introduce MedNet, a large-scale, multi-modal text-to-image dataset spanning 61 disease categories with 160 classes, covering both humans and animals. We built this with images from trusted public repositories, ensuring data diversity, quality, and ethical compliance. Additionally, we propose U$^2$-ViT, a novel diffusion-based text-to-image generation architecture arranging Vision Transformers (ViTs) in a nested U-Net structure to enhance the generation of diverse, and high-fidelity medical images. Through extensive experiments, we demonstrate that our model achieves the best Fr'echet Inception Distance (FID) score compared to state-of-the-art models. The source code is available at https://github.com/LakshmikarPolamreddy/MedNet-U2-ViT.
• Abstract（参考訳）: 多様な高品質な医療画像の不足は、AI駆動型医療診断と治療計画の進展において、依然として大きなボトルネックとなっている。 伝統的なデータセットは、しばしばクラス不均衡、病気のカバレッジの制限、画像条件の不十分な変化に悩まされ、堅牢で一般化可能なモデルの開発を妨げる。 MedNetは、61の疾患カテゴリと160のクラスにまたがって、人間と動物の両方をカバーする大規模なマルチモーダルテキスト・ツー・イメージデータセットである。 私たちはこれを、信頼できるパブリックリポジトリのイメージで構築し、データの多様性、品質、倫理的コンプライアンスを確保しました。 さらに,視覚変換器(ViT)をネストしたU-Net構造に配置した新しい拡散型テキスト・画像生成アーキテクチャであるU$^2$-ViTを提案する。 本研究では,Fr'echet Inception Distance (FID) スコアを最先端のモデルと比較した。 ソースコードはhttps://github.com/LakshmikarPolamreddy/MedNet-U2-ViTで入手できる。

関連論文リスト

• MedVAR: Towards Scalable and Efficient Medical Image Generation via Next-scale Autoregressive Prediction [27.388534881299393]
  医療画像のためのスケーラブルな生成バックボーンは、アーキテクチャ効率、十分な多臓器データ、原則化された評価を必要とする。 我々は、次世代の予測パラダイムを採用し、高速でスケールアップしやすい医用画像合成を可能にする、最初の自己回帰ベース基盤モデルであるMed VARを紹介する。 階層生成を支援するため、6つの解剖学的領域にまたがる約4万個のCTおよびMRI画像の調和データセットをキュレートした。
  論文  参考訳（メタデータ） (2026-02-16T06:48:48Z)
• Med-Art: Diffusion Transformer for 2D Medical Text-to-Image Generation [2.3418061477154786]
  限られたデータで医用画像を生成するためのフレームワークであるMed-Artを提案する。 Med-Art は Diffusion Transformer (DiT) に基づく大規模事前訓練されたテキスト-画像モデル PixArt-$alpha$ に適応する FID,KID,下流分類による2つの医用画像データセットの最先端性能について検討した。
  論文  参考訳（メタデータ） (2025-06-25T13:56:48Z)
• Towards All-in-One Medical Image Re-Identification [34.74569001275221]
  医療画像の再識別(MedReID)は、パーソナライズされた医療とプライバシ保護に重要な応用があるにもかかわらず、これまであまり研究されていない。 この問題に対して徹底的なベンチマークと統一モデルを導入する。 提案手法を実世界の2つのアプリケーション,履歴を付加したパーソナライズド診断と医療プライバシ保護に展開する。
  論文  参考訳（メタデータ） (2025-03-11T08:35:00Z)
• Advancing AI-Powered Medical Image Synthesis: Insights from MedVQA-GI Challenge Using CLIP, Fine-Tuned Stable Diffusion, and Dream-Booth + LoRA [3.290817968509798]
  MEDVQA-GIチャレンジは、医療診断におけるAI駆動のテキスト・ツー・イメージ生成モデルの統合に対処する。 本研究では、テキスト記述から動的でスケーラブルで正確な画像を生成するための微調整生成モデルに基づく新しいアプローチを提案する。 我々のシステムは、安定拡散モデルとドリームブースモデルと、ローランド適応(LORA)を統合し、高忠実度医療画像を生成する。
  論文  参考訳（メタデータ） (2025-02-28T02:49:45Z)
• 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)
• UniMed-CLIP: Towards a Unified Image-Text Pretraining Paradigm for Diverse Medical Imaging Modalities [68.12889379702824]
  対照的な学習によって訓練された視覚言語モデル(VLM)は、自然画像タスクにおいて顕著な成功を収めた。 UniMedは530万以上の画像テキストペアからなる、大規模でオープンソースのマルチモーダル医療データセットである。 我々は、6つのモダリティのための統一VLMであるUniMed-CLIPを訓練し、ゼロショット評価において顕著な利益を得た。
  論文  参考訳（メタデータ） (2024-12-13T18:59:40Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)

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。