医用画像の品質は正確な診断に直結するが、コスト制約によりMRI、CT、超音波画像は低解像度・低品質になりがちで、重要な解剖学的構造や病変の可視化が困難になる。従来の手法では画像強調を独立した前処理ステップとして扱い、セグメンテーションとの潜在的な相乗効果を十分に活用できていなかった。この課題に対処するため、研究者らはDiSIINet（拡散ベース共生情報インタラクションネットワーク）を提案した。これは、強調とセグメンテーションが単一モデル内で相互に強化し合うべきという原則に基づいている。
DiSIINetはDenoising Diffusion Implicit Models（DDIM）をバックボーンとし、強調ブランチとセグメンテーションブランチを統合する。両ブランチは新規の共生情報インタラクション（SII）モジュールを通じて相互作用し、逆拡散過程でクロスアテンションによる動的な特徴レベルでの情報交換を行う。これにより、強調タスクはセグメンテーションからの意味的手がかりを活用して画質を改善し、セグメンテーションも強調された特徴を利用して境界や領域の識別精度を高める。両タスクは反復的に共に向上する。DDIMバックボーンは決定論的サンプリングにより高品質な出力と効率的な推論を実現し、従来の拡散モデルのサンプリングステップが多いという欠点を回避する。
実験では、MRI、CT、超音波を含むマルチモーダル医用データセットを用いてDiSIINetを評価し、強調とセグメンテーションを逐次的に実行する方法や、独立に学習したモデルと比較した。結果として、DiSIINetは大幅な性能向上を達成し、統合モデリングと共生インタラクションの有効性を実証した。本論文はIJCAI 2026に採択され、2026年6月30日にarXiv（2607.00058）に投稿された。コードはGitHubで公開されており、コミュニティによる再現とさらなる研究が可能である。
技術的には、DiSIINetの重要な革新は、強調を前処理ではなく拡散プロセスの一部として捉え、クロスアテンションを通じてセグメンテーションブランチの意味情報が拡散の逆過程で強調ブランチを継続的に導き、その逆もまた然りとする点にある。この設計は両タスクの指標を向上させるだけでなく、医用画像解析におけるマルチタスク学習に新たな方向性を示す。将来的にはより多くのモダリティや臨床シーンへの拡張が考えられるが、現時点ではマルチモーダルデータセットでの実験結果のみが報告されており、実際の臨床展開にはさらなる検証が必要である。