論文の概要: SADM: Sequence-Aware Diffusion Model for Longitudinal Medical Image Generation

• arxiv url: http://arxiv.org/abs/2212.08228v1
• Date: Fri, 16 Dec 2022 01:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 14:08:48.732926
• Title: SADM: Sequence-Aware Diffusion Model for Longitudinal Medical Image Generation
• Title（参考訳）: SADM:経時的医用画像生成のための系列認識拡散モデル
• Authors: Jee Seok Yoon, Chenghao Zhang, Heung-Il Suk, Jia Guo, Xiaoxiao Li
• Abstract要約: 縦断的医用画像生成のためのシーケンス認識拡散モデル(SADM)を提案する。 本手法は,拡散モデルにおける条件付きモジュールとしてシーケンス対応トランスフォーマーを導入することにより,この新しい手法を拡張した。 3次元縦断的医用画像を用いた実験は,ベースラインや代替手法と比較してSADMの有効性を示した。
• 参考スコア（独自算出の注目度）: 23.174391810184602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human organs constantly undergo anatomical changes due to a complex mix of short-term (e.g., heartbeat) and long-term (e.g., aging) factors. Evidently, prior knowledge of these factors will be beneficial when modeling their future state, i.e., via image generation. However, most of the medical image generation tasks only rely on the input from a single image, thus ignoring the sequential dependency even when longitudinal data is available. Sequence-aware deep generative models, where model input is a sequence of ordered and timestamped images, are still underexplored in the medical imaging domain that is featured by several unique challenges: 1) Sequences with various lengths; 2) Missing data or frame, and 3) High dimensionality. To this end, we propose a sequence-aware diffusion model (SADM) for the generation of longitudinal medical images. Recently, diffusion models have shown promising results on high-fidelity image generation. Our method extends this new technique by introducing a sequence-aware transformer as the conditional module in a diffusion model. The novel design enables learning longitudinal dependency even with missing data during training and allows autoregressive generation of a sequence of images during inference. Our extensive experiments on 3D longitudinal medical images demonstrate the effectiveness of SADM compared with baselines and alternative methods.
• Abstract（参考訳）: ヒトの臓器は、短期(心拍など)と長期(老化など)の複雑な混合により、常に解剖学的変化を起こす。 これらの因子の事前知識は、将来の状態、すなわち画像生成をモデル化する際に有用である。 しかし、ほとんどの医療画像生成タスクは、単一の画像からの入力にのみ依存するため、長手データでもシーケンシャルな依存を無視している。 モデル入力が順序付きおよびタイムスタンプされた画像のシーケンスであるシーケンスアウェア深層生成モデルは、いくつかのユニークな課題を特徴とする医療画像領域ではまだ過小評価されている。 1) 長さの異なる配列 2)データ又はフレームの欠如,及び 3)高次元化。 そこで本研究では,縦断的医用画像生成のためのシーケンスアウェア拡散モデル(SADM)を提案する。 近年,拡散モデルが高忠実度画像生成に有望な結果を示している。 本手法は,拡散モデルにおける条件付きモジュールとしてシーケンス対応トランスフォーマーを導入することにより,この新しい手法を拡張した。 新しい設計では、トレーニング中にデータ不足であっても、縦依存性を学習でき、推論中に画像列を自己回帰的に生成できる。 3次元縦断的医用画像に対する広範な実験により,SADMの有効性がベースラインや代替手法と比較された。

関連論文リスト

• Conditional Diffusion Model for Longitudinal Medical Image Generation [4.649475179575047]
  アルツハイマー病はゆっくりと進行し、生物学的因子間の複雑な相互作用を伴う。 縦断的医療画像データは、時間とともにこの進歩を捉えることができる。 しかし, 患者退院に伴うデータ不足, 不規則な経過観察間隔, 観察期間の変動など, 経時的データが頻繁に発生する。
  論文  参考訳（メタデータ） (2024-11-07T06:44:47Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis [1.1339580074756188]
  本稿では,GANの潜在空間に時間的依存を埋め込む新しい共同学習手法を提案する。 これにより、監督が限定された連続的、滑らかで高品質な音量データを合成できる。 提案手法の有効性を,異なる長さ依存を含む3つのデータセットに対して示す。
  論文  参考訳（メタデータ） (2023-01-13T10:31:27Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological Report [0.0]
  インペイントアルゴリズムは、入力画像の1つ以上の領域を変更することができるDL生成モデルのサブセットである。 これらのアルゴリズムの性能は、その限られた出力量のために、しばしば準最適である。 拡散確率モデル(DDPM)は、GANに匹敵する品質の結果を生成することができる、最近導入された生成ネットワークのファミリーである。
  論文  参考訳（メタデータ） (2022-10-21T17:13:14Z)
• Diffusion Deformable Model for 4D Temporal Medical Image Generation [47.03842361418344]
  3D+t(4D)情報を持つ時間体積画像は、時間動態を統計的に分析したり、病気の進行を捉えるためにしばしば医療画像に使用される。 本稿では,ソースボリュームとターゲットボリュームの中間時間ボリュームを生成する新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-06-27T13:37:57Z)
• 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)
• RADIOGAN: Deep Convolutional Conditional Generative adversarial Network To Generate PET Images [3.947298454012977]
  MIPポジトロン放射トモグラフィー画像(PET)を生成するための深層畳み込み条件生成対向ネットワークを提案する。 提案手法の利点は,1種類の病変に対して,小さな標本サイズで訓練した病変の異なるクラスを生成できるモデルから成り立っている。 また,画像評価ツールとして,潜伏空間を歩行できることを示す。
  論文  参考訳（メタデータ） (2020-03-19T10:14:40Z)

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。