論文の概要: Bi-parametric prostate MR image synthesis using pathology and
sequence-conditioned stable diffusion
- arxiv url: http://arxiv.org/abs/2303.02094v1
- Date: Fri, 3 Mar 2023 17:24:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 14:02:23.854490
- Title: Bi-parametric prostate MR image synthesis using pathology and
sequence-conditioned stable diffusion
- Title（参考訳）: 病理とシーケンス条件付き安定拡散を用いたbi-parametric prostate mr画像合成
- Authors: Shaheer U. Saeed, Tom Syer, Wen Yan, Qianye Yang, Mark Emberton,
Shonit Punwani, Matthew J. Clarkson, Dean C. Barratt, Yipeng Hu
- Abstract要約: テキストに条件付けされた多列前立腺MR画像のための画像合成機構を提案する。
我々は、ペア化されたデータに条件付けされた画像に条件付けされたペア化されたバイパラメトリック画像を生成する。
前立腺癌を疑う症例の2次元画像スライスを用いて本法の有効性を検証した。
- 参考スコア（独自算出の注目度）: 3.290987481767681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an image synthesis mechanism for multi-sequence prostate MR images
conditioned on text, to control lesion presence and sequence, as well as to
generate paired bi-parametric images conditioned on images e.g. for generating
diffusion-weighted MR from T2-weighted MR for paired data, which are two
challenging tasks in pathological image synthesis. Our proposed mechanism
utilises and builds upon the recent stable diffusion model by proposing
image-based conditioning for paired data generation. We validate our method
using 2D image slices from real suspected prostate cancer patients. The realism
of the synthesised images is validated by means of a blind expert evaluation
for identifying real versus fake images, where a radiologist with 4 years
experience reading urological MR only achieves 59.4% accuracy across all tested
sequences (where chance is 50%). For the first time, we evaluate the realism of
the generated pathology by blind expert identification of the presence of
suspected lesions, where we find that the clinician performs similarly for both
real and synthesised images, with a 2.9 percentage point difference in lesion
identification accuracy between real and synthesised images, demonstrating the
potentials in radiological training purposes. Furthermore, we also show that a
machine learning model, trained for lesion identification, shows better
performance (76.2% vs 70.4%, statistically significant improvement) when
trained with real data augmented by synthesised data as opposed to training
with only real images, demonstrating usefulness for model training.
- Abstract（参考訳）: 本稿では,T2重み付きMR画像から拡散重み付きMR画像を生成するために,テキスト上で条件付けされた多列前立腺MR画像の合成機構を提案し,病変の有無とシーケンスを制御し,画像に条件付けされたペアのバイパラメトリック画像を生成する。
提案手法は,ペアデータ生成のためのイメージベースコンディショニングを提案することで,最近の安定拡散モデルを利用して構築する。
前立腺癌疑診患者の2次元画像スライスを用いて本法の有効性を検証した。
合成画像のリアリズムは、実像と偽像を識別するためのブラインド専門家による評価によって検証され、4年間の尿路MRの読影経験を持つ放射線学者は、全検査シーケンス(50%の確率)で59.4%の精度しか達成できない。
そこで, 臨床医は実画像と合成画像の両方に対して同じように行うことができ, 実画像と合成画像の病変識別精度に2.9パーセントの点差があり, 放射線学的訓練目的の可能性が示された。
さらに, 実画像のみによる訓練ではなく, 合成データによって拡張された実データを用いて訓練した場合, 病変同定を訓練した機械学習モデルの方が優れた性能(76.2%対70.4%, 統計的に有意な改善)を示した。
関連論文リスト
- Comparison of Two Augmentation Methods in Improving Detection Accuracy of Hemarthrosis [0.0]
本研究では,データ合成による拡張データの導入や,従来の拡張手法によるモデル精度の向上について検討した。
EffientNet-B4を用いて2つの拡張手法で「血」画像を認識するモデルテスト性能について検討した。
データ合成と従来の拡張技術という2つの拡張手法はどちらも、稀な疾患の診断に役立つ精度をある程度向上させる。
論文 参考訳（メタデータ） (2024-09-08T21:43:54Z) - Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。
3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。
我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
論文 参考訳（メタデータ） (2024-08-13T09:01:12Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - 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) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Enhanced Magnetic Resonance Image Synthesis with Contrast-Aware
Generative Adversarial Networks [5.3580471186206005]
各種取得パラメータを基準とした合成MR膝画像を生成するために,GAN(generative adversarial Network)を訓練した。
チューリング試験では、2人の専門家が実際のMR画像と合成画像の40.5%を誤ってラベル付けし、生成された合成画像と実際のMR画像の画質が同等であることを示した。
論文 参考訳（メタデータ） (2021-02-17T11:39:36Z) - Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。
頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
論文 参考訳（メタデータ） (2020-08-26T01:34:19Z)
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。