論文の概要: DiffusionCT: Latent Diffusion Model for CT Image Standardization
- arxiv url: http://arxiv.org/abs/2301.08815v1
- Date: Fri, 20 Jan 2023 22:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 16:27:35.475165
- Title: DiffusionCT: Latent Diffusion Model for CT Image Standardization
- Title(参考訳): DiffusionCT:CT画像標準化のための潜時拡散モデル
- Authors: Md Selim, Jie Zhang, Michael A. Brooks, Ge Wang, Jin Chen
- Abstract要約: 既存のCT画像調和モデルは、限られた性能で教師付きまたは半教師付き技術に依存している。
我々は,拡散型CT画像標準化モデルDiffusionCTを提案し,遅延分布を標準分布にマッピングすることで遅延空間で動作する。
Unetエンコーダから出力された符号化表現は拡散モデルを通過し、拡散モデルはその分布を対象の標準画像領域にマッピングする。
- 参考スコア(独自算出の注目度): 9.312998333278802
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computed tomography (CT) imaging is a widely used modality for early lung
cancer diagnosis, treatment, and prognosis. Features extracted from CT images
are now accepted to quantify spatial and temporal variations in tumor
architecture and function. However, CT images are often acquired using scanners
from different vendors with customized acquisition standards, resulting in
significantly different texture features even for the same patient, posing a
fundamental challenge to downstream studies. Existing CT image harmonization
models rely on supervised or semi-supervised techniques, with limited
performance. In this paper, we have proposed a diffusion-based CT image
standardization model called DiffusionCT which works on latent space by mapping
latent distribution into a standard distribution. DiffusionCT incorporates an
Unet-based encoder-decoder and a diffusion model embedded in its bottleneck
part. The Unet first trained without the diffusion model to learn the latent
representation of the input data. The diffusion model is trained in the next
training phase. All the trained models work together on image standardization.
The encoded representation outputted from the Unet encoder passes through the
diffusion model, and the diffusion model maps the distribution in to target
standard image domain. Finally, the decode takes that transformed latent
representation to synthesize a standardized image. The experimental results
show that DiffusionCT significantly improves the performance of the
standardization task.
- Abstract(参考訳): CTは早期肺癌の診断,治療,予後に広く用いられている。
CT画像から抽出された特徴は、腫瘍構造と機能における空間的・時間的変動を定量化するために受け入れられている。
しかし、CT画像は、カスタマイズされた取得基準を持つ異なるベンダーのスキャナーを使用して取得されることが多く、結果として同じ患者であってもテクスチャが著しく異なるため、下流の研究には根本的な課題が生じる。
既存のCT画像調和モデルは、限られた性能で教師付きまたは半教師付き技術に依存している。
本稿では,潜時分布を標準分布にマッピングすることで潜時空間に作用する拡散型ct画像標準化モデルについて提案する。
DiffusionCTには、Unetベースのエンコーダデコーダと、そのボトルネック部分に埋め込まれた拡散モデルが組み込まれている。
Unetはまず拡散モデルなしでトレーニングを行い、入力データの潜在表現を学習した。
拡散モデルは次のトレーニングフェーズで訓練される。
訓練されたモデルはすべて、画像の標準化に協力する。
Unetエンコーダから出力された符号化表現は拡散モデルを通過し、拡散モデルはその分布を対象の標準画像領域にマッピングする。
最後に、デコードはその変換された潜在表現を使って標準化された画像を合成する。
実験の結果,DiffusionCTは標準化タスクの性能を著しく向上させることがわかった。
関連論文リスト
- CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳(メタデータ) (2024-07-18T01:42:00Z) - Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。
E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。
我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文 参考訳(メタデータ) (2024-05-09T17:59:40Z) - Latent Diffusion Model for Medical Image Standardization and Enhancement [11.295078152769559]
DiffusionCTは、異なる非標準分布を標準化形式に変換するスコアベースのDDPMモデルである。
このアーキテクチャは、ボトルネック位置に統合されたDDPMモデルにより強化されたU-Netベースのエンコーダデコーダを含む。
DiffusionCTによる画像の標準化の顕著な改善が示唆された。
論文 参考訳(メタデータ) (2023-10-08T17:11:14Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Synchronous Image-Label Diffusion Probability Model with Application to
Stroke Lesion Segmentation on Non-contrast CT [2.6750287043724303]
急性虚血性脳卒中(AIS)患者の予後を評価するため, ストローク病変容積は重要なX線学的指標である。
近年の拡散確率モデルでは、画像のセグメンテーションに使用される可能性が示されている。
本稿では,NCCTにおける脳卒中病変の分節に対する新しい画像ラベル拡散確率モデル(SDPM)を提案する。
論文 参考訳(メタデータ) (2023-07-04T14:16:49Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - Conversion Between CT and MRI Images Using Diffusion and Score-Matching
Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。
以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。
本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文 参考訳(メタデータ) (2022-09-24T23:50:54Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Label-Free Segmentation of COVID-19 Lesions in Lung CT [17.639558085838583]
ピクセルレベルの異常モデルを用いて,CTで新型コロナウイルスの病変を分類するためのラベルフリーアプローチを提案する。
我々のモデリングは、気管と血管の一部が、病変が属する高強度範囲にあり、強いパターンを示すという観察に着想を得たものである。
実験では,NormNetの有効性を3つの異なるデータセットで検証した。
論文 参考訳(メタデータ) (2020-09-08T12:38:34Z)
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。