論文の概要: Spot the fake lungs: Generating Synthetic Medical Images using Neural Diffusion Models

• arxiv url: http://arxiv.org/abs/2211.00902v1
• Date: Wed, 2 Nov 2022 06:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 11:58:28.414078
• Title: Spot the fake lungs: Generating Synthetic Medical Images using Neural Diffusion Models
• Title（参考訳）: 偽肺を発見:神経拡散モデルを用いた合成医用画像の生成
• Authors: Hazrat Ali, Shafaq Murad, Zubair Shah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0957528713294873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models are becoming popular for the synthesis of medical images. Recently, neural diffusion models have demonstrated the potential to generate photo-realistic images of objects. However, their potential to generate medical images is not explored yet. In this work, we explore the possibilities of synthesis of medical images using neural diffusion models. First, we use a pre-trained DALLE2 model to generate lungs X-Ray and CT images from an input text prompt. Second, we train a stable diffusion model with 3165 X-Ray images and generate synthetic images. We evaluate the synthetic image data through a qualitative analysis where two independent radiologists label randomly chosen samples from the generated data as real, fake, or unsure. Results demonstrate that images generated with the diffusion model can translate characteristics that are otherwise very specific to certain medical conditions in chest X-Ray or CT images. Careful tuning of the model can be very promising. To the best of our knowledge, this is the first attempt to generate lungs X-Ray and CT images using neural diffusion models. This work aims to introduce a new dimension in artificial intelligence for medical imaging. Given that this is a new topic, the paper will serve as an introduction and motivation for the research community to explore the potential of diffusion models for medical image synthesis. We have released the synthetic images on https://www.kaggle.com/datasets/hazrat/awesomelungs.
• Abstract（参考訳）: 生成モデルは医用画像の合成に人気を博している。 近年,神経拡散モデルが物体の光実像を生成する可能性を実証している。 しかし、医療画像を生成する可能性はまだ検討されていない。 本研究では,神経拡散モデルを用いた医用画像の合成の可能性を検討する。 まず,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。 第2に,3165X線画像を用いた安定拡散モデルを訓練し,合成画像を生成する。 2人の独立した放射線技師が生成したデータからランダムに選択したサンプルをリアル、フェイク、あるいは不確かとラベル付けする質的分析により、合成画像データを評価する。 その結果, 胸部X線画像やCT画像において, 拡散モデルにより生成した画像は, 特定の医療条件に非常に特異的な特徴を翻訳できることがわかった。 モデルの慎重なチューニングは非常に有望です。 我々の知る限りでは、これは神経拡散モデルを用いて肺X線とCT画像を生成する最初の試みである。 この研究は、医療画像のための人工知能の新しい次元を導入することを目的としている。 これは新しいトピックであることを考えると、この論文は医学画像合成における拡散モデルの可能性を探るための研究コミュニティの紹介と動機となるだろう。 合成画像をhttps://www.kaggle.com/datasets/hazrat/awesomelungsで公開しました。

関連論文リスト

• Ultrasound Image Generation using Latent Diffusion Models [9.195192250393267]
  画像生成のための拡散モデルは、多種多様な高品質な画像を生成する能力により、関心が高まりつつある。 本研究では,異なる公開データベース上での大規模拡散モデルの連続的な微調整により,現実的な超音波画像(US)のシミュレーションを提案する。 乳房の高画質な画像は、臓器と病理を識別するシンプルなプロンプトで生成し、アメリカの経験者3人とアメリカの放射線技師に現実的に見られた。
  論文  参考訳（メタデータ） (2025-02-12T17:11:58Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 そして、学習したアーティファクト検出器を第2段階に巻き込み、各画像に画素ごとの信頼マップを割り当てて拡散モデルをチューニングする。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• Brain tumor segmentation using synthetic MR images -- A comparison of GANs and diffusion models [0.0]
  現在、GAN(Generative Adversarial Network)や拡散モデルのような生成AIモデルは、非常に現実的な合成画像を生成することができる。 合成画像に基づいてトレーニングされたセグメンテーションネットワークは、実画像を用いたトレーニングにおいて、Diceスコアの80%から90%のDiceスコアに達することを示す。 我々の結論は、医用画像の共有は実際の画像の共有に有効な選択肢であるが、さらなる作業が必要であるということだ。
  論文  参考訳（メタデータ） (2023-06-05T15:56:30Z)
• Beware of diffusion models for synthesizing medical images -- A comparison with GANs in terms of memorizing brain MRI and chest x-ray images [0.0]
  BRATS20, BRATS21, 胸部X線肺炎データセットを用いてStyleGANと拡散モデルの訓練を行い, 脳MRIおよび胸部X線画像の合成を行った。 以上の結果から,拡散モデルは,特に小規模なデータセットにおいて,StyleGANと比較してトレーニングイメージを記憶する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-12T17:55:40Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• 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)
• Brain Imaging Generation with Latent Diffusion Models [2.200720122706913]
  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。
  論文  参考訳（メタデータ） (2022-09-15T09:16:21Z)
• 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)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)

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。