論文の概要: Brain Imaging Generation with Latent Diffusion Models
- arxiv url: http://arxiv.org/abs/2209.07162v1
- Date: Thu, 15 Sep 2022 09:16:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:38:42.626099
- Title: Brain Imaging Generation with Latent Diffusion Models
- Title(参考訳): 潜時拡散モデルを用いた脳画像生成
- Authors: Walter H. L. Pinaya, Petru-Daniel Tudosiu, Jessica Dafflon, Pedro F da
Costa, Virginia Fernandez, Parashkev Nachev, Sebastien Ourselin, M. Jorge
Cardoso
- Abstract要約: 本研究では,高分解能3次元脳画像から合成画像を生成するために潜在拡散モデルを用いて検討する。
我々のモデルは現実的なデータを作成し、条件変数を使ってデータ生成を効果的に制御できることがわかった。
- 参考スコア(独自算出の注目度): 2.200720122706913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks have brought remarkable breakthroughs in medical image
analysis. However, due to their data-hungry nature, the modest dataset sizes in
medical imaging projects might be hindering their full potential. Generating
synthetic data provides a promising alternative, allowing to complement
training datasets and conducting medical image research at a larger scale.
Diffusion models recently have caught the attention of the computer vision
community by producing photorealistic synthetic images. In this study, we
explore using Latent Diffusion Models to generate synthetic images from
high-resolution 3D brain images. We used T1w MRI images from the UK Biobank
dataset (N=31,740) to train our models to learn about the probabilistic
distribution of brain images, conditioned on covariables, such as age, sex, and
brain structure volumes. We found that our models created realistic data, and
we could use the conditioning variables to control the data generation
effectively. Besides that, we created a synthetic dataset with 100,000 brain
images and made it openly available to the scientific community.
- Abstract(参考訳): 深層ニューラルネットワークは、医療画像解析に驚くべきブレークスルーをもたらした。
しかし、そのデータ不足の性質から、医療画像プロジェクトにおける控えめなデータセットサイズは、その可能性を完全に妨げているかもしれない。
合成データの生成は有望な代替手段であり、トレーニングデータセットを補完し、より大規模な医療画像研究を行うことができる。
拡散モデルは最近、フォトリアリスティック合成画像を作成することでコンピュータビジョンコミュニティの注目を集めている。
本研究では,高解像度3次元脳画像から合成画像を生成するために潜在拡散モデルを用いて検討する。
我々は、英国バイオバンクのデータセット(N=31,740)から得られたT1w MRI画像を用いて、年齢、性別、脳構造ボリュームなどの共変量に基づく脳画像の確率分布について学習した。
我々のモデルは現実的なデータを作成し、条件変数を使ってデータ生成を効果的に制御できることがわかった。
さらに、脳の画像10万枚からなる合成データセットを作成し、科学コミュニティに公開しました。
関連論文リスト
- MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳(メタデータ) (2024-04-11T15:46:42Z) - Augmenting medical image classifiers with synthetic data from latent
diffusion models [12.077733447347592]
我々は,潜伏拡散モデルが皮膚疾患の画像を生成することを実証した。
我々は,複数の生成戦略を用いて生成した458,920個の合成画像の新しいデータセットを生成し,解析する。
論文 参考訳(メタデータ) (2023-08-23T22:34:49Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
本稿では,脳腫瘍MRI画像の生成手法について述べる。
その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。
このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
論文 参考訳(メタデータ) (2022-12-04T09:01:33Z) - Medical Diffusion -- Denoising Diffusion Probabilistic Models for 3D
Medical Image Generation [0.6486409713123691]
拡散確率モデルが高品質な医用画像データを合成可能であることを示す。
本研究は,2人の医療専門家による読影研究を通じて,そのパフォーマンスを定量的に測定する。
自己教師付き事前訓練において合成画像が利用可能であることを示し,データ不足時の乳房分割モデルの性能向上を図った。
論文 参考訳(メタデータ) (2022-11-07T08:37:48Z) - Spot the fake lungs: Generating Synthetic Medical Images using Neural
Diffusion Models [1.0957528713294873]
我々は,事前学習したDALLE2モデルを用いて,入力テキストプロンプトから肺X線とCT画像を生成する。
我々は3165個のX線画像を用いて安定拡散モデルを訓練し、合成画像を生成する。
その結果, 拡散モデルにより生成した画像は, 特定の医学的条件に特有な特徴を翻訳できることが示唆された。
論文 参考訳(メタデータ) (2022-11-02T06:02:55Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳(メタデータ) (2022-10-14T06:54:24Z) - Morphology-preserving Autoregressive 3D Generative Modelling of the
Brain [2.6498965891119397]
この研究は、人間の脳の正確で高解像度で現実的な画像を生成するためにスケールできる生成モデルを提案する。
潜在的に無制限な量のデータを生成する能力は、患者のプライバシーを損なうことなく、人間の解剖学と病理学の大規模な研究を可能にするだけでなく、異常検出、モダリティ合成、限られたデータによる学習、公正で倫理的なAIの研究を著しく前進させる。
論文 参考訳(メタデータ) (2022-09-07T14:17:42Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳(メタデータ) (2020-06-20T17:56:46Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z)
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。