論文の概要: Score-Based Generative Models for Medical Image Segmentation using
Signed Distance Functions
- arxiv url: http://arxiv.org/abs/2303.05966v1
- Date: Fri, 10 Mar 2023 14:55:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:44:23.049607
- Title: Score-Based Generative Models for Medical Image Segmentation using
Signed Distance Functions
- Title(参考訳): 符号付き距離関数を用いた医用画像分割のためのスコアベース生成モデル
- Authors: Lea Bogensperger, Dominik Narnhofer, Filip Ilic, Thomas Pock
- Abstract要約: 本稿では, 符号付き距離関数を利用して, セグメンテーションマスクの暗黙的かつスムーズな分布を表現する条件付きスコアベース生成モデリングフレームワークを提案する。
セグメンテーションマスクの条件分布のスコア関数は、正確なセグメンテーションマスクを生成するために効果的に使用できる条件付きデノナイズプロセスで学習される。
- 参考スコア(独自算出の注目度): 11.137438870686026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is a crucial task that relies on the ability to
accurately identify and isolate regions of interest in images. Thereby,
generative approaches allow to capture the statistical properties of
segmentation masks that are dependent on the respective medical images. In this
work we propose a conditional score-based generative modeling framework that
leverages the signed distance function to represent an implicit and smoother
distribution of segmentation masks. The score function of the conditional
distribution of segmentation masks is learned in a conditional denoising
process, which can be effectively used to generate accurate segmentation masks.
Moreover, uncertainty maps can be generated, which can aid in further analysis
and thus enhance the predictive robustness. We qualitatively and quantitatively
illustrate competitive performance of the proposed method on a public nuclei
and gland segmentation data set, highlighting its potential utility in medical
image segmentation applications.
- Abstract(参考訳): 医用画像のセグメンテーションは、画像の関心領域を正確に識別し、分離する能力に依存する重要なタスクである。
これにより、生成的アプローチは、それぞれの医療画像に依存するセグメンテーションマスクの統計特性を捉えることができる。
本研究では,符号付き距離関数を利用してセグメント化マスクの暗黙的かつ滑らかな分布を表現する条件付きスコアに基づく生成モデリングフレームワークを提案する。
セグメンテーションマスクの条件分布のスコア関数は、正確なセグメンテーションマスクを生成するのに効果的に使用できる条件記述過程において学習される。
さらに不確実性マップを生成でき、さらなる解析を助け、予測ロバスト性を高めることができる。
提案手法の核・腺分節データセットにおける競合性能を質的,定量的に検証し,医用画像の分節への応用の可能性を明らかにする。
関連論文リスト
- Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry [53.645443644821306]
本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。
以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-03-15T19:16:47Z) - Learning disentangled representations for explainable chest X-ray
classification using Dirichlet VAEs [68.73427163074015]
本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。
DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
論文 参考訳(メタデータ) (2023-02-06T18:10:08Z) - A kinetic approach to consensus-based segmentation of biomedical images [58.720142291102135]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - Analysing the effectiveness of a generative model for semi-supervised
medical image segmentation [23.898954721893855]
自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。
半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。
セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
論文 参考訳(メタデータ) (2022-11-03T15:19:59Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。
トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。
最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
論文 参考訳(メタデータ) (2021-12-06T16:28:15Z) - CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with
Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。
我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。
マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
論文 参考訳(メタデータ) (2020-10-17T04:25:32Z) - Uncertainty quantification in medical image segmentation with
normalizing flows [0.9176056742068811]
条件付き正規化フロー(cFlow)に基づく新しい条件付き生成モデルを提案する。
基本的な考え方は、エンコーダの後にcFlow変換ステップを導入することにより、cVAEの表現性を高めることである。
これにより、遅延後部分布の近似が向上し、モデルがよりリッチなセグメンテーションのバリエーションを捉えることができる。
論文 参考訳(メタデータ) (2020-06-04T07:56:46Z)
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。