論文の概要: Diffusion Models for Implicit Image Segmentation Ensembles

• arxiv url: http://arxiv.org/abs/2112.03145v1
• Date: Mon, 6 Dec 2021 16:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 17:11:38.202776
• Title: Diffusion Models for Implicit Image Segmentation Ensembles
• Title（参考訳）: 暗黙的画像分割アンサンブルのための拡散モデル
• Authors: Julia Wolleb, Robin Sandk\"uhler, Florentin Bieder, Philippe Valmaggia, Philippe C. Cattin
• Abstract要約: 拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。 トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。 最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
• 参考スコア（独自算出の注目度）: 1.444701913511243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have shown impressive performance for generative modelling of images. In this paper, we present a novel semantic segmentation method based on diffusion models. By modifying the training and sampling scheme, we show that diffusion models can perform lesion segmentation of medical images. To generate an image specific segmentation, we train the model on the ground truth segmentation, and use the image as a prior during training and in every step during the sampling process. With the given stochastic sampling process, we can generate a distribution of segmentation masks. This property allows us to compute pixel-wise uncertainty maps of the segmentation, and allows an implicit ensemble of segmentations that increases the segmentation performance. We evaluate our method on the BRATS2020 dataset for brain tumor segmentation. Compared to state-of-the-art segmentation models, our approach yields good segmentation results and, additionally, meaningful uncertainty maps.
• Abstract（参考訳）: 拡散モデルは画像の生成的モデリングに顕著な性能を示した。 本稿では拡散モデルに基づく新しい意味セグメンテーション手法を提案する。 トレーニングとサンプリングのスキームを変更することで,拡散モデルが医用画像の病変分割を行えることを示す。 画像特定セグメンテーションを生成するために,地上の真理セグメンテーションに基づいてモデルをトレーニングし,トレーニング中およびサンプリングプロセス中の各ステップで事前画像を使用する。 与えられた確率的サンプリングプロセスにより、セグメンテーションマスクの分布を生成することができる。 この特性により、セグメンテーションの画素単位の不確実性マップを計算でき、セグメンテーション性能を増大させるセグメンテーションの暗黙的なアンサンブルを実現できる。 脳腫瘍セグメント化のためのBRATS2020データセットについて検討した。 最先端のセグメンテーションモデルと比較して,提案手法は良好なセグメンテーション結果と有意義な不確実性マップをもたらす。

関連論文リスト

• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。 SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
  我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。 低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。 大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
  論文  参考訳（メタデータ） (2024-01-22T07:34:06Z)
• Surf-CDM: Score-Based Surface Cold-Diffusion Model For Medical Image Segmentation [15.275335829889086]
  医用画像セグメンテーションのための条件付きスコアベース生成モデリングフレームワークを提案する。 今回,65本の経胸壁心エコービデオから左室の分画について検討した。 提案手法は, セグメンテーション精度において比較手法よりも優れるだけでなく, セグメンテーションの不確かさを推定する可能性を示した。
  論文  参考訳（メタデータ） (2023-12-19T22:50:02Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Conditional Diffusion Models for Weakly Supervised Medical Image Segmentation [18.956306942099097]
  条件拡散モデル(CDM)は、特定の分布の対象となる画像を生成することができる。 我々は,対象対象物の予測マスクを取得するために,CDMに隠されたカテゴリ認識意味情報を利用する。 本手法は,2つの医用画像セグメンテーションデータセット上で,最先端のCAMおよび拡散モデル法より優れる。
  論文  参考訳（メタデータ） (2023-06-06T17:29:26Z)
• Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
  Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。 以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T19:16:47Z)
• Label-Efficient Semantic Segmentation with Diffusion Models [27.01899943738203]
  拡散モデルは意味的セグメンテーションの道具としても機能することを示した。 特に、いくつかの事前訓練拡散モデルに対して、逆拡散過程のマルコフステップを実行するネットワークからの中間活性化について検討する。 これらのアクティベーションは、入力画像から意味情報を効果的にキャプチャし、セグメンテーション問題に対して優れたピクセルレベルの表現であることを示す。
  論文  参考訳（メタデータ） (2021-12-06T15:55:30Z)
• SegDiff: Image Segmentation with Diffusion Probabilistic Models [81.16986859755038]
  拡散確率法は最先端の画像生成に使用される。 画像分割を行うためにそのようなモデルを拡張する方法を提案する。 この方法は、トレーニング済みのバックボーンに頼ることなく、エンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2021-12-01T10:17:25Z)

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。