論文の概要: Unsupervised Medical Image Translation with Adversarial Diffusion Models
- arxiv url: http://arxiv.org/abs/2207.08208v1
- Date: Sun, 17 Jul 2022 15:53:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 18:12:31.542988
- Title: Unsupervised Medical Image Translation with Adversarial Diffusion Models
- Title(参考訳): 逆拡散モデルを用いた教師なし医用画像翻訳
- Authors: Muzaffer \"Ozbey, Salman UH Dar, Hasan A Bedel, Onat Dalmaz, \c{S}aban
\"Ozturk, Alper G\"ung\"or, Tolga \c{C}ukur
- Abstract要約: GAN(Generative Adversarial Network)を用いたワンショットマッピングによるターゲット画像の合成
本稿では,医用画像合成の信頼性を向上させるために,逆拡散モデルであるSynDiffを提案する。
- 参考スコア(独自算出の注目度): 0.2770822269241974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imputation of missing images via source-to-target modality translation can
facilitate downstream tasks in medical imaging. A pervasive approach for
synthesizing target images involves one-shot mapping through generative
adversarial networks (GAN). Yet, GAN models that implicitly characterize the
image distribution can suffer from limited sample fidelity and diversity. Here,
we propose a novel method based on adversarial diffusion modeling, SynDiff, for
improved reliability in medical image synthesis. To capture a direct correlate
of the image distribution, SynDiff leverages a conditional diffusion process to
progressively map noise and source images onto the target image. For fast and
accurate image sampling during inference, large diffusion steps are coupled
with adversarial projections in the reverse diffusion direction. To enable
training on unpaired datasets, a cycle-consistent architecture is devised with
two coupled diffusion processes to synthesize the target given source and the
source given target. Extensive assessments are reported on the utility of
SynDiff against competing GAN and diffusion models in multi-contrast MRI and
MRI-CT translation. Our demonstrations indicate that SynDiff offers superior
performance against competing baselines both qualitatively and quantitatively.
- Abstract(参考訳): ソースからターゲットへのモダリティ変換による欠落画像のインプットは、医療画像における下流作業を容易にする。
対象画像を合成するための広範的アプローチは、生成的対向ネットワーク(GAN)を介してワンショットマッピングを行う。
しかし、暗黙的に画像分布を特徴づけるganモデルはサンプルの忠実さと多様性に乏しい。
本稿では,医用画像合成の信頼性を向上させるために,逆拡散モデルであるSynDiffを提案する。
画像分布の直接相関を捉えるために、SynDiffは条件拡散プロセスを利用して、ノイズとソース画像を徐々にターゲット画像にマッピングする。
推論中の高速かつ正確な画像サンプリングでは、大きな拡散ステップと逆拡散方向の逆投影が結合される。
未ペアデータセットのトレーニングを可能にするために、サイクル一貫性アーキテクチャを2つの結合拡散プロセスで考案し、対象とするソースと対象とするソースを合成する。
マルチコントラストMRIおよびMRI-CT翻訳におけるGANと拡散モデルに対するSynDiffの有用性について,広範囲な評価を行った。
実験の結果,syndiffは質的および定量的に競合するベースラインに対して優れた性能を示すことが示された。
関連論文リスト
- Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。
拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。
本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
論文 参考訳(メタデータ) (2024-02-16T16:47:21Z) - FDDM: Unsupervised Medical Image Translation with a Frequency-Decoupled
Diffusion Model [2.482734802108685]
拡散モデルは、疾患の診断、局所化、治療を支援するために、医用画像翻訳のための高品質な画像を生成することができる。
本稿では,翻訳過程においてフーリエ領域の医用画像の周波数成分を分離する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-11-19T19:44:44Z) - Bridging the Gap between Synthetic and Authentic Images for Multimodal
Machine Translation [51.37092275604371]
マルチモーダル機械翻訳(MMT)は、ソース文と関連する画像を同時に翻訳の入力とする。
近年の研究では、画像入力のための強力なテキスト・画像生成モデルが提案されている。
しかし、これらのモデルによって生成された合成画像は、実際の画像と比較して異なる分布を辿ることが多い。
論文 参考訳(メタデータ) (2023-10-20T09:06:30Z) - DiffDis: Empowering Generative Diffusion Model with Cross-Modal
Discrimination Capability [75.9781362556431]
本稿では,拡散過程下での1つのフレームワークに,モダクティブと差別的事前学習を統一するDiffDisを提案する。
DiffDisは画像生成タスクと画像テキスト識別タスクの両方において単一タスクモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T05:03:48Z) - SDDM: Score-Decomposed Diffusion Models on Manifolds for Unpaired
Image-to-Image Translation [96.11061713135385]
本研究は,画像生成時の絡み合った分布を明示的に最適化する,新しいスコア分解拡散モデルを提案する。
我々は、スコア関数の精製部分とエネルギー誘導を等しくし、多様体上の多目的最適化を可能にする。
SDDMは既存のSBDMベースの手法よりも優れており、I2Iベンチマークでは拡散ステップがはるかに少ない。
論文 参考訳(メタデータ) (2023-08-04T06:21:57Z) - Zero-shot Medical Image Translation via Frequency-Guided Diffusion
Models [9.15810015583615]
構造保存画像変換のための拡散モデルを導出するために周波数領域フィルタを用いた周波数誘導拡散モデル(FGDM)を提案する。
その設計に基づいて、FGDMはゼロショット学習を可能にし、ターゲットドメインのデータのみに基づいてトレーニングし、ソース・ツー・ターゲットドメインの変換に直接使用することができる。
FGDMは、Frechet Inception Distance(FID)、Peak Signal-to-Noise Ratio(PSNR)、および構造的類似性の測定値において、最先端手法(GANベース、VAEベース、拡散ベース)よりも優れていた
論文 参考訳(メタデータ) (2023-04-05T20:47:40Z) - DiffMIC: Dual-Guidance Diffusion Network for Medical Image
Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。
実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文 参考訳(メタデータ) (2023-03-19T09:15:45Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳(メタデータ) (2022-11-22T18:00:03Z) - Conversion Between CT and MRI Images Using Diffusion and Score-Matching
Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。
以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。
本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文 参考訳(メタデータ) (2022-09-24T23:50:54Z) - Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。
セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文 参考訳(メタデータ) (2022-06-30T18:31:51Z) - Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI
Image-to-Image Translation [7.8333615755210175]
本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。
我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
論文 参考訳(メタデータ) (2020-12-03T09:10:22Z)
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。