Fugu-MT 論文翻訳(概要): Diffusion Probabilistic Models beat GANs on Medical Images

論文の概要: Diffusion Probabilistic Models beat GANs on Medical Images

arxiv url: http://arxiv.org/abs/2212.07501v1
Date: Wed, 14 Dec 2022 20:46:50 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 16:52:11.931791
Title: Diffusion Probabilistic Models beat GANs on Medical Images
Title（参考訳）: 拡散確率モデルが医療画像でGANを破る
Authors: Gustav M\"uller-Franzes, Jan Moritz Niehues, Firas Khader, Soroosh Tayebi Arasteh, Christoph Haarburger, Christiane Kuhl, Tianci Wang, Tianyu Han, Sven Nebelung, Jakob Nikolas Kather, Daniel Truhn
Abstract要約: 医療画像のための条件付き潜伏型DDPMであるMedfusionを提案する。 DDPMモデルとGANモデルを比較し,現在の医療領域における最先端モデルである。本研究は, DDPMが医用領域における画像合成において, GANsの代替として優れていることを示す。
参考スコア（独自算出の注目度）: 0.13386555802329278
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The success of Deep Learning applications critically depends on the quality and scale of the underlying training data. Generative adversarial networks (GANs) can generate arbitrary large datasets, but diversity and fidelity are limited, which has recently been addressed by denoising diffusion probabilistic models (DDPMs) whose superiority has been demonstrated on natural images. In this study, we propose Medfusion, a conditional latent DDPM for medical images. We compare our DDPM-based model against GAN-based models, which constitute the current state-of-the-art in the medical domain. Medfusion was trained and compared with (i) StyleGan-3 on n=101,442 images from the AIROGS challenge dataset to generate fundoscopies with and without glaucoma, (ii) ProGAN on n=191,027 from the CheXpert dataset to generate radiographs with and without cardiomegaly and (iii) wGAN on n=19,557 images from the CRCMS dataset to generate histopathological images with and without microsatellite stability. In the AIROGS, CRMCS, and CheXpert datasets, Medfusion achieved lower (=better) FID than the GANs (11.63 versus 20.43, 30.03 versus 49.26, and 17.28 versus 84.31). Also, fidelity (precision) and diversity (recall) were higher (=better) for Medfusion in all three datasets. Our study shows that DDPM are a superior alternative to GANs for image synthesis in the medical domain.
Abstract（参考訳）: ディープラーニングアプリケーションの成功は、基礎となるトレーニングデータの質と規模に大きく依存する。 generative adversarial network (gans) は任意の大きなデータセットを生成することができるが、多様性と忠実性は限られている。本研究では,医療画像のための条件付き潜伏型DDPMであるMedfusionを提案する。 DDPMモデルとGANモデルを比較し,現在の医療領域における最先端モデルである。メドフュージョンは訓練され比較され (i)airogs challengeデータセットからのn=101,442画像に対するstylegan-3 による緑内障の有無による眼底手術 (ii)schexpertデータセットからのn=191,027のプロガンによるcardiomegaly と非cardiomegalyのラジオグラフの生成 3) CRCMSデータセットからのn=19,557画像上のwGANを用いて,マイクロサテライトの安定性を伴わない病理像を生成する。 AIROGS、CRMCS、CheXpertのデータセットでは、MedfusionはGANよりも低い(=ベター)FIDを達成した(11.63対20.43、30.03対49.26、17.28対84.31)。また,3つのデータセットすべてにおいて,Medfusionでは忠実度(精度)と多様性(リコール)が高かった。本研究は, DDPMが医用領域における画像合成において, GANsの代替として優れていることを示す。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
A Domain Translation Framework with an Adversarial Denoising Diffusion Model to Generate Synthetic Datasets of Echocardiography Images [0.5999777817331317]
臨床研究に好適な心エコー画像を作成するための枠組みを提案する。いくつかのドメイン翻訳操作において、このような生成モデルによって高品質な画像サンプルを合成できることが確認された。
論文参考訳（メタデータ） (2024-03-07T15:58:03Z)
GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation [0.0]
生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
論文参考訳（メタデータ） (2023-12-30T20:16:45Z)
EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。提案手法では, 合成試料が医療上の制約に適合することを確実にする。
論文参考訳（メタデータ） (2023-10-19T16:18:02Z)
Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis [0.0]
Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。セマンティックコンディショニングを統合することで、データの不足とプライバシの問題に効果的に取り組む。視覚的忠実度の高い多様なコヒーレントな画像を生成する。
論文参考訳（メタデータ） (2023-05-29T04:14:38Z)
Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文参考訳（メタデータ） (2023-04-18T18:15:38Z)
SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文参考訳（メタデータ） (2020-11-15T14:01:24Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Automated Chest CT Image Segmentation of COVID-19 Lung Infection based on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文参考訳（メタデータ） (2020-06-24T17:29:26Z)
An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。