間スライス一貫性に基づく確率的性を活用した 2D Diffusion モデルによる 3D 医療画像処理の性能向上

arXiv:2602.04162v2 Announce Type: replace 要約：3D 医療画像は診断および科学研究において重要な需要を有しており、現在では Diffusion モデル（DM）の質の高いデータ事前知識を学習できる特性ゆえに、医療画像の復元において効果的なツールとなってきました。しかし、DM を用いて 3D データ分布を学習することは、データ収集の難しさに加え、モデルトレーニング中の計算負荷が大きいという課題にも直面しています。一般的には、DM を 2D データ事前知識上でトレーニングし、積み重ねられた 2D スライスから 3D 医療逆問題を解決しようとする妥協案が用いられていますが、Diffusion サンプリングにおける本質的なランダム性により、復元された 3D 体積に著しい間スライスの不連続性が発生してしまいます。既存の手法は多くの場合、Z 軸方向の連続性制約を強制しており、感受性の高いハイパーパラメータを導入するとともに過平滑化の結果を招く可能性があります。本論文では、Diffusion サンプリングにおける確率的性の起源を見直し、間スライス一貫性の確率的性（Inter-Slice Consistent Stochasticity: ISCS）を提案しました。ISCS は、Diffusion サンプリング中の確率的ノイズ成分の一貫性を制御し、サンプリング経路を揃えるシンプルな yet 有効な戦略です。これにより、新しい損失項や最適化ステップを追加することなく、サンプリング軌跡を揃えることができます。ISCS は特に、追加の計算コストを加えることなく、既存の 2D トレーニングされた Diffusion に基づく 3D 復元パイプラインにプラグアプレイ（即座に導入可能）です。複数の医療画像問題における実験では、当社の手法が 2D Diffusion モデルに基づく医療 3D 画像処理の性能を効果的に向上させることを示しました。当社の知見は、間スライスの確率的性を制御することは、高忠実度 3D 医療画像を 2D Diffusion 事前知識で実現するための原理的なかつ実用的な経路であることを示唆しています。コードは以下の URL から利用可能です：https://github.com/duchenhe/ISCS

arXiv:2602.04162v2 Announce Type: replace Abstract: 3D medical imaging is in high demand and essential for clinical diagnosis and scientific research. Currently, diffusion models (DMs) have become an effective tool for medical imaging reconstruction thanks to their ability to learn rich, high-quality data priors. However, learning the 3D data distribution with DMs in medical imaging is challenging, not only due to the difficulties in data collection but also because of the significant computational burden during model training. A common compromise is to train the DMs on 2D data priors and reconstruct stacked 2D slices to address 3D medical inverse problems. However, the intrinsic randomness of diffusion sampling causes severe inter-slice discontinuities of reconstructed 3D volumes. Existing methods often enforce continuity regularizations along the z-axis, which introduces sensitive hyper-parameters and may lead to over-smoothing results. In this work, we revisit the origin of stochasticity in diffusion sampling and introduce Inter-Slice Consistent Stochasticity (ISCS), a simple yet effective strategy that encourages interslice consistency during diffusion sampling. Our key idea is to control the consistency of stochastic noise components during diffusion sampling, thereby aligning their sampling trajectories without adding any new loss terms or optimization steps. Importantly, the proposed ISCS is plug-and-play and can be dropped into any 2D trained diffusion based 3D reconstruction pipeline without additional computational cost. Experiments on several medical imaging problems show that our method can effectively improve the performance of medical 3D imaging problems based on 2D diffusion models. Our findings suggest that controlling inter-slice stochasticity is a principled and practically attractive route toward high-fidelity 3D medical imaging with 2D diffusion priors. The code is available at: https://github.com/duchenhe/ISCS