論文の概要: What is Healthy? Generative Counterfactual Diffusion for Lesion Localization

• arxiv url: http://arxiv.org/abs/2207.12268v1
• Date: Mon, 25 Jul 2022 15:41:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:29:43.470490
• Title: What is Healthy? Generative Counterfactual Diffusion for Lesion Localization
• Title（参考訳）: 健康とは何か? 病変局所化のためのジェネレーティブ・デファクト拡散
• Authors: Pedro Sanchez, Antanas Kascenas, Xiao Liu, Alison Q. O'Neil, Sotirios A. Tsaftaris
• Abstract要約: 画像レベルのラベルのみを用いて,脳病変の画素レベルの予測を推定する問題を考察する。 我々は「X病理が存在しない患者はどのように現れるのか?」の反事実を合成する。 観察された患者の状態と健康なカウンターファクトとの差画像は、病理の場所を推定するために使用することができる。
• 参考スコア（独自算出の注目度）: 19.33809390948729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reducing the requirement for densely annotated masks in medical image segmentation is important due to cost constraints. In this paper, we consider the problem of inferring pixel-level predictions of brain lesions by only using image-level labels for training. By leveraging recent advances in generative diffusion probabilistic models (DPM), we synthesize counterfactuals of "How would a patient appear if X pathology was not present?". The difference image between the observed patient state and the healthy counterfactual can be used for inferring the location of pathology. We generate counterfactuals that correspond to the minimal change of the input such that it is transformed to healthy domain. This requires training with healthy and unhealthy data in DPMs. We improve on previous counterfactual DPMs by manipulating the generation process with implicit guidance along with attention conditioning instead of using classifiers. Code is available at https://github.com/vios-s/Diff-SCM.
• Abstract（参考訳）: 医用画像セグメンテーションにおける濃密なアノテートマスクの要件の低減は,コスト制約のため重要である。 本稿では,画像レベルラベルのみを用いて脳病変のピクセルレベル予測を推測する問題を考察する。 遺伝子拡散確率モデル(DPM)の最近の進歩を活用して、「X病理が存在しない場合、患者はどのように現れるか」の反事実を合成する。 観察された患者状態と健康な偽物との差像は、病理の場所を推測するために使用できる。 我々は、入力の最小限の変化に対応する反事実を生成し、それが健全な領域に変換される。 これはDPMの健全で不健康なデータによるトレーニングを必要とする。 我々は,従来のDPMに対して,分類器を使わずにアテンションコンディショニングとともに,暗黙のガイダンスで生成プロセスを操作することで改善した。 コードはhttps://github.com/vios-s/Diff-SCMで入手できる。

関連論文リスト

• Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models [0.0]
  医用画像の深層学習モデルにおける画像取得パラメータ(IAP)の変動による一般化性とロバスト性の問題 患者解剖を変更せずに異なるIAPをシミュレートするMR画像を生成するために, 条件付き縮退拡散生成モデル(cDDGM)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T11:29:41Z)
• MCDDPM: Multichannel Conditional Denoising Diffusion Model for Unsupervised Anomaly Detection in Brain MRI [0.0]
  Denoising Diffusion Probabilistic Model (DDPM)のような生成モデルは、脳MRIスキャンで教師なしの異常検出を行う強力な代替手段として登場した。 脳MRI画像における教師なし異常検出のためのMCDDPM(Multi channel Conditional Denoising Diffusion Probabilistic Model)と呼ばれるDDPMの改良版を提案する。
  論文  参考訳（メタデータ） (2024-09-29T09:15:24Z)
• Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models [17.124075103464392]
  拡散モデル(DPM)は高品質の画像生成における最先端技術となっている。 DPMは、解釈可能な意味論や制御可能な意味論を持たない任意の雑音潜在空間を持つ。 本稿では,拡散に基づく因果表現学習フレームワークCausalDiffAEを提案する。
  論文  参考訳（メタデータ） (2024-04-27T00:09:26Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Unsupervised Representation Learning from Pre-trained Diffusion Probabilistic Models [83.75414370493289]
  拡散確率モデル(DPM)は高品質の画像サンプルを生成する強力な能力を示している。 Diff-AEは自動符号化による表現学習のためのDPMを探索するために提案されている。 我々は、既存のトレーニング済みDPMをデコーダに適応させるために、textbfPre-trained textbfAutotextbfEncoding (textbfPDAE)を提案する。
  論文  参考訳（メタデータ） (2022-12-26T02:37:38Z)
• Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances [102.68466217374655]
  ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。 本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。 また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
  論文  参考訳（メタデータ） (2022-12-06T00:32:03Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)

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。