論文の概要: From Natural Images to Medical Scans: Transferability of Diffusion Models for Medical Image Generation

• arxiv url: http://arxiv.org/abs/2611.05192v1
• Date: Tue, 03 Nov 2026 16:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 13:46:33.067839
• Title: From Natural Images to Medical Scans: Transferability of Diffusion Models for Medical Image Generation
• Title（参考訳）: 自然画像から医用スコープへ:医用画像生成のための拡散モデルの伝達可能性
• Abstract要約: 自然画像からの移動学習は、教師付き医療画像分析において標準的であり、ますます採用されつつある。 医学拡散モデルは典型的には、自然画像伝達の体系的な評価なしに、デノイザーをスクラッチから訓練する。 自然像の初期化は連続的に生成を改善し、画素空間における相対gFIDは21～34%向上する。
• 参考スコア（独自算出の注目度）: 4.692715526325866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer learning from natural images is standard in supervised and increasingly adopted in self-supervised medical image analysis, but its role in generative modelling, and in particular diffusion denoisers, remains underexplored. Medical diffusion models typically train the denoiser from scratch, with no systematic evaluation of natural-image transfer. We analyse this across latent and pixel paradigms, model sizes (131M-952M) and two radiology datasets (RadImageNet, BraTS), and ask which aspects of transfer support generation. We find that: i) Natural-image initialisation consistently improves generation, by 21-34% relative gFID in pixel space against 14% in latent space, where the tokeniser supplies much of the prior. gFID gains mirror downstream pathology classification and radiomic-feature FD, both proxies for clinical fidelity. ii) Benefits reflect spatial structure, not semantics: semantic probing does not predict generation quality, whereas a spatial-structure metric adapted to internal denoiser representations tracks gFID at $|r|=0.85$, positioning spatial organisation as a channel through which pretraining manifests. iii) Mixed-domain denoiser training shows that natural and medical images share similar layer-wise representations up to the late blocks, and mixing natural images into medical training improves fidelity. iv) Transfer benefit is tied to natural image initialisation, outperforming in-domain medical pretraining and several reinitialisation schemes. Overall, natural image denoisers transfer positively to medical ones in our setup. Code is available at https://github.com/CAIROLab-Bern/rad-dit
• Abstract（参考訳）: 自然画像からの移動学習は、教師付き医療画像解析において標準的であり、ますます採用されつつあるが、生成的モデリング、特に拡散デノイザーにおけるその役割はいまだに解明されていない。 医学拡散モデルは典型的には、自然像移動の体系的な評価なしに、デノイザーをスクラッチから訓練する。 我々はこれを、潜時と画素のパラダイム、モデルサイズ(131M-952M)と2つの放射線学データセット(RadImageNet, BraTS)で分析し、転送サポート生成のどの側面を問う。 以下に示す。 一 自然像の初期化は、連続的に、画素空間における相対gFIDを21〜34%削減し、潜在空間において14%削減する。 gFIDは、どちらも臨床的忠実性のためのプロキシーである、下流の病因分類と放射線機能FDを取得する。 二 利益は、意味論ではなく空間構造を反映するもので、セマンティック・プロービングは生成品質を予測しない。一方、内部デノイザ表現に適合した空間構造計量は、gFIDを$|r|=0.85$で追跡し、空間組織を事前学習を行うチャネルとして位置づける。 三 自然画像と医用画像の混合ドメインデノイザートレーニングは、後期ブロックまで同様なレイヤーワイド表現を共有し、医用訓練に自然画像を混在させることにより、忠実度が向上することを示す。 iv)移行利益は、自然画像の初期化と結びついており、ドメイン内医療事前訓練やいくつかの再起動計画に優れています。 概して、私たちの設定では、自然画像復号機は医療用機に肯定的に移行します。 コードはhttps://github.com/CAIROLab-Bern/rad-ditで入手できる。

関連論文リスト

• CLIMB: Controllable Longitudinal Brain Image Generation using Mamba-based Latent Diffusion Model and Gaussian-aligned Autoencoder [4.922570253744897]
  状態空間に基づく潜時拡散モデルを用いたCLIMB, 制御可能な経時的脳画像生成を提案する。 我々は,1,390名の参加者から6,306名のMRIスキャンによるアルツハイマー病神経画像イニシアチブデータセットを用いて,提案したモデルを訓練し,評価した。 生成された画像と実際のMRIスキャンを比較することで、CLIMBは0.9433の構造的類似度指数を達成し、既存の手法よりも顕著に改善されている。
  論文  参考訳（メタデータ） (2026-04-17T01:34:41Z)
• SSPFormer: Self-Supervised Pretrained Transformer for MRI Images [10.727804908369869]
  本稿では,MRI画像のための自己教師付き事前学習変換器(SSPFormer)を提案する。 SSPFormerは、未ラベルの生画像データを利用して、医用画像のドメイン固有の特徴表現を効果的に学習する。 セグメンテーション、超解像、デノゲーションタスクに関する広範な実験を通じて、提案したSSPFormerは最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-19T06:01:13Z)
• Guiding Registration with Emergent Similarity from Pre-Trained Diffusion Models [16.2208278847136]
  自然のRGB画像を生成するために専用に訓練されたオフザシェルフ拡散モデルは、医用画像における意味論的意味のある対応を識別できる。 本稿では,拡散モデルの特徴を類似度尺度として活用して,変形可能な画像登録ネットワークを導くことを提案する。
  論文  参考訳（メタデータ） (2025-06-03T04:07:04Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
  医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。 本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。 結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
  論文  参考訳（メタデータ） (2024-01-02T19:51:49Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• 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)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)

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。