arXiv cs.AI· Anna Oliveras, Roger Mar\'i, Rafael Redondo, Oriol Guardi\`a, Cynthia Ifeyinwa Ugwu, Ana Tost, Bhalaji Nagarajan, Carolina Migliorelli, Vicent Ribas, Petia Radeva·· 12 小时前AI 评分20
MUMINS：元数据条件化的不确定性感知医学图像下一状态合成
MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis
AI 导读
MUMINS 是一个高效扩散框架，在单次逆向扩散过程中同时扩散基线扫描与随访残差并合成随访图像，同步预测空间不确定性图。该模型以时间间隔和元数据为条件，在每个去噪步骤动态回注基线作为软锚点，并用负对数似然头学习不确定性图以标记易错区域。在肺 CT（PNG）和脑 MRI（OASIS-3）上，按数据集分别重训练的 MUMINS 达到或超过专用领域 SOTA 方法。
正文 · AI 翻译
摘要：预测肿瘤生长和神经退行性变等解剖结构变化是一项具有挑战性的生成式视觉任务。形态学演化相对于静态解剖结构而言较为细微，高度因人而异，并且本质上是随机的。现有方法面临若干问题：确定性网络忽略了生物随机性，而标准扩散模型需要计算成本高昂的多轮采样来量化不确定性。我们提出 MUMINS（元数据条件化不确定性感知医学图像下一状态合成），这是一种高效的扩散框架，它在单个逆向扩散过程中联合扩散基线扫描及其随访残差（二者相加即合成随访扫描），同时预测空间不确定性图。以时间间隔和相关元数据为条件，它通过在每一步去噪时动态重新注入基线作为软锚点来保留细粒度解剖结构，并由一个负对数似然头学习不确定性图，以明确标记易出错区域。该架构在设计上不包含器官特定的启发式规则，通过分别针对特定数据集重新训练，同一架构可复用于不同解剖部位。大量评估表明，针对特定数据集重新训练的 MUMINS 在肺部 CT（PNG）和脑部 MRI（OASIS-3）上达到或超越了专门的、领域特定的最先进方法。项目页面：此 https URL。
| 评论： | 补充材料将在未来版本中提供 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| ACM 分类： | I.2.6; I.4.5; I.4.9; J.3 |
| 引用为： | arXiv:2609.17169 [cs.CV] |
| （或 arXiv:2609.17169v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.17169 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Anna Oliveras [查看邮箱]
[v1]
2026年9月15日星期二 13:32:37 UTC（1,538 KB）
[v2]
2026年10月27日星期二 11:31:01 UTC（1,464 KB）
来源：arXiv cs.AI · arxiv.org