Source-free cross-modality medical image synthesis with diffusion priors
Notice bibliographique
Résumé
Cross-modality medical image synthesis plays a critical role in enabling comprehensive multi-modal diagnosis and treatment. However, existing methods are constrained by their reliance on paired or unpaired source-target data, limiting scalability and practical deployment. Generating high-fidelity medical images in a truly source-free setting, where no source-domain data is accessible, remains a significant and underexplored challenge. To fill this gap, we propose Diffusion Prior Synthesis and Optimization (DPSO), a novel source-free, diffusion-based framework that performs cross-modality medical image synthesis using only single-modality target data, without requiring supervision or statistical priors from the source domain. DPSO adopts a decoupled architecture via a Probability Flow ODE (PF-ODE) formulation that separates source encoding from target generation. A general-domain diffusion model maps notional source images into a shared latent space, independent of source-domain supervision. This latent representation is then decoded into the target modality using a PF-ODE solver guided by a target-specific prior. An additional optimization stage, also driven by the target prior, further refines the outputs to enhance fidelity and robustness. Experiments on the IXI Dataset and SynthRAD2023 demonstrate that DPSO achieves competitive performance across diverse cross-modality tasks, comparable to methods using paired or unpaired source data. Notably, DPSO removes the need for source modality data entirely, offering a flexible and scalable solution for truly source-free cross-modality medical image synthesis. Code is available at: https://anonymous.4open.science/r/DPSO-64DF
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».