論文の概要: DiffusionCT: Latent Diffusion Model for CT Image Standardization
- arxiv url: http://arxiv.org/abs/2301.08815v2
- Date: Sat, 25 Mar 2023 21:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 00:54:34.295015
- 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、GANベースの教師付きまたは半教師付き学習に依存しており、性能は限られている。
この研究は、異なるベンダーやプロトコルから取得したCT画像を標準化するために、DiffusionCTと呼ばれる新しい拡散ベースモデルを用いたCT画像調和の問題に対処する。
DiffusionCTを用いた標準化タスクの性能向上実験を行った。
- 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) is one of the modalities for effective lung cancer
screening, diagnosis, treatment, and prognosis. The features extracted from CT
images are now used to quantify spatial and temporal variations in tumors.
However, CT images obtained from various scanners with customized acquisition
protocols may introduce considerable variations in texture features, even for
the same patient. This presents a fundamental challenge to downstream studies
that require consistent and reliable feature analysis. Existing CT image
harmonization models rely on GAN-based supervised or semi-supervised learning,
with limited performance. This work addresses the issue of CT image
harmonization using a new diffusion-based model, named DiffusionCT, to
standardize CT images acquired from different vendors and protocols.
DiffusionCT operates in the latent space by mapping a latent non-standard
distribution into a standard one. DiffusionCT incorporates an Unet-based
encoder-decoder, augmented by a diffusion model integrated into the bottleneck
part. The model is designed in two training phases. The encoder-decoder is
first trained, without embedding the diffusion model, to learn the latent
representation of the input data. The latent diffusion model is then trained in
the next training phase while fixing the encoder-decoder. Finally, the decoder
synthesizes a standardized image with the transformed latent representation.
The experimental results demonstrate a significant improvement in the
performance of the standardization task using DiffusionCT.
- Abstract(参考訳): CT(Computed tomography)は, 肺癌検診, 診断, 治療, 予後の指標の1つである。
ct画像から抽出された特徴は、現在、腫瘍の空間的および時間的変化を定量するために使用されている。
しかし,スキャンプロトコルをカスタマイズした各種スキャナから得られたCT画像は,同一患者であってもテクスチャ特性にかなりの変化をもたらす可能性がある。
これは、一貫した信頼性のある特徴分析を必要とする下流の研究に根本的な課題をもたらす。
既存のCT画像調和モデルは、GANベースの教師付きまたは半教師付き学習に依存しており、性能は限られている。
この研究は、異なるベンダーやプロトコルから取得したCT画像を標準化するために、DiffusionCTと呼ばれる新しい拡散ベースモデルを用いたCT画像調和の問題に対処する。
DiffusionCTは、潜在非標準分布を標準分布にマッピングすることで、潜時空間で動作する。
diffusionctには、unetベースのエンコーダ-デコーダが組み込まれており、ボトルネック部分に統合された拡散モデルによって拡張されている。
モデルは2つのトレーニングフェーズで設計されている。
エンコーダ-デコーダは、まず拡散モデルを埋め込むことなく、入力データの潜在表現を学ぶために訓練される。
次に、エンコーダ-デコーダを固定しながら、潜在拡散モデルを次のトレーニングフェーズで訓練する。
最後に、デコーダは変換された潜在表現で標準化された画像を合成する。
実験の結果,DiffusionCTを用いた標準化タスクの性能が大幅に向上した。
関連論文リスト
- 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - STAN-CT: Standardizing CT Image using Generative Adversarial Network [10.660781755744312]
我々は,CT画像の標準化と標準化のためにSTAN-CTと呼ばれるエンドツーエンドのソリューションを提案する。
STAN-CTは, 数ラウンドのジェネレータトレーニングで標準画像プロトコルのデータ分散を効果的に学習できる新しいGANモデルと, 体系的な画像品質制御を備えたDICOM再構築パイプラインの2つのコンポーネントから構成される。
論文 参考訳(メタデータ) (2020-04-02T23:43:06Z)
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。