論文の概要: Accelerating Diffusion Models via Pre-segmentation Diffusion Sampling
for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2210.17408v1
- Date: Thu, 27 Oct 2022 03:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:42:06.910261
- Title: Accelerating Diffusion Models via Pre-segmentation Diffusion Sampling
for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のための前セグメンテーション拡散サンプリングによる拡散促進モデル
- Authors: Xutao Guo, Yanwu Yang, Chenfei Ye, Shang Lu, Yang Xiang, Ting Ma
- Abstract要約: 医用画像セグメンテーションのためのプリセグメンテーション拡散サンプリングDDPM (PD-DDPM) と呼ばれる原理的な加速戦略を提案する。
鍵となる考え方は、個別に訓練されたセグメンテーションネットワークに基づいて事前セグメンテーション結果を取得し、ノイズ予測を構築することである。
実験により, PD-DDPMは, 逆ステップの数が著しく減少しても, 代表ベースライン法よりも高いセグメンテーション結果が得られることが示された。
- 参考スコア（独自算出の注目度）: 8.67028273829113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Based on the Denoising Diffusion Probabilistic Model (DDPM), medical image
segmentation can be described as a conditional image generation task, which
allows to compute pixel-wise uncertainty maps of the segmentation and allows an
implicit ensemble of segmentations to boost the segmentation performance.
However, DDPM requires many iterative denoising steps to generate segmentations
from Gaussian noise, resulting in extremely inefficient inference. To mitigate
the issue, we propose a principled acceleration strategy, called
pre-segmentation diffusion sampling DDPM (PD-DDPM), which is specially used for
medical image segmentation. The key idea is to obtain pre-segmentation results
based on a separately trained segmentation network, and construct noise
predictions (non-Gaussian distribution) according to the forward diffusion
rule. We can then start with noisy predictions and use fewer reverse steps to
generate segmentation results. Experiments show that PD-DDPM yields better
segmentation results over representative baseline methods even if the number of
reverse steps is significantly reduced. Moreover, PD-DDPM is orthogonal to
existing advanced segmentation models, which can be combined to further improve
the segmentation performance.
- Abstract（参考訳）: Denoising Diffusion Probabilistic Model (DDPM)に基づいて、医療画像セグメンテーションは条件付き画像生成タスクとして記述することができ、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し、セグメンテーションの暗黙のアンサンブルによってセグメンテーション性能を高めることができる。
しかし、DDPMはガウスノイズからセグメンテーションを生成するために多くの反復分解ステップを必要とし、非常に非効率な推論をもたらす。
そこで本研究では, 医用画像のセグメンテーションに特に用いられる, 前セグメンテーション拡散サンプリングddpm (pd-ddpm) という原理的加速戦略を提案する。
鍵となる考え方は、個別に訓練されたセグメンテーションネットワークに基づいて事前セグメンテーション結果を取得し、前方拡散規則に従ってノイズ予測(非ガウス分布)を構築することである。
ノイズの多い予測から始めて、セグメント化結果を生成するために逆ステップを少なくすることができる。
実験により, PD-DDPMは, 逆ステップの数が著しく減少しても, 代表ベースライン法よりも高いセグメンテーション結果が得られることが示された。
さらに、PD-DDPMは既存の高度なセグメンテーションモデルと直交しており、さらにセグメンテーション性能を向上させるために組み合わせることができる。
関連論文リスト
- Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。
本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。
本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
論文 参考訳（メタデータ） (2024-03-19T07:24:54Z) - 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) - 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) - AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。
本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。
本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。
次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文 参考訳（メタデータ） (2023-07-20T09:06:21Z) - DDP: Diffusion Model for Dense Visual Prediction [71.55770562024782]
本研究では,条件付き拡散パイプラインに基づく高密度視覚予測のための,シンプルで効率的かつ強力なフレームワークを提案する。
DDPと呼ばれるこの手法は、デノナイジング拡散過程を現代の知覚パイプラインに効率的に拡張する。
DDPは、従来の単段階識別法とは対照的に、動的推論や不確実性認識などの魅力的な特性を示す。
論文 参考訳（メタデータ） (2023-03-30T17:26:50Z) - 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) - Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。
実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。
本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
論文 参考訳（メタデータ） (2022-05-25T06:40:09Z) - Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
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。
論文 参考訳（メタデータ） (2021-12-06T16:28:15Z)
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。