論文の概要: Diffusion Models for Memory-efficient Processing of 3D Medical Images
- arxiv url: http://arxiv.org/abs/2303.15288v1
- Date: Mon, 27 Mar 2023 15:10:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 14:47:05.803627
- Title: Diffusion Models for Memory-efficient Processing of 3D Medical Images
- Title(参考訳): 3次元医用画像のメモリ効率処理のための拡散モデル
- Authors: Florentin Bieder, Julia Wolleb, Alicia Durrer, Robin Sandk\"uhler,
Philippe C. Cattin
- Abstract要約: 本稿では,3次元拡散モデルにおける資源消費の削減法について述べる。
本論文の主な貢献は,メモリ効率のパッチベース拡散モデルである。
提案した拡散モデルは,任意の画像生成タスクに適用できるが,BraTS 2020データセットの腫瘍セグメンテーションタスクについて評価する。
- 参考スコア(独自算出の注目度): 0.8388591755871734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Denoising diffusion models have recently achieved state-of-the-art
performance in many image-generation tasks. They do, however, require a large
amount of computational resources. This limits their application to medical
tasks, where we often deal with large 3D volumes, like high-resolution
three-dimensional data. In this work, we present a number of different ways to
reduce the resource consumption for 3D diffusion models and apply them to a
dataset of 3D images. The main contribution of this paper is the
memory-efficient patch-based diffusion model \textit{PatchDDM}, which can be
applied to the total volume during inference while the training is performed
only on patches. While the proposed diffusion model can be applied to any image
generation tasks, we evaluate the method on the tumor segmentation task of the
BraTS2020 dataset and demonstrate that we can generate meaningful
three-dimensional segmentations.
- Abstract(参考訳): ノイズ拡散モデルは最近、多くの画像生成タスクで最先端のパフォーマンスを達成している。
しかし、それらは大量の計算資源を必要とする。
これにより、高解像度の3Dデータのような大きな3Dボリュームを扱う医療タスクへの応用が制限される。
本研究では,3次元拡散モデルにおける資源消費を削減し,それを3次元画像のデータセットに適用するための様々な方法を提案する。
本論文の主な貢献は、メモリ効率のよいパッチベース拡散モデル \textit{PatchDDM} であり、これは、パッチのみをトレーニングしながら、推論中に総ボリュームに適用することができる。
提案した拡散モデルは任意の画像生成タスクに適用できるが,BraTS2020データセットの腫瘍分割タスクの手法を評価し,有意義な3次元セグメンテーションを生成できることを実証する。
関連論文リスト
- IT3D: Improved Text-to-3D Generation with Explicit View Synthesis [71.68595192524843]
本研究では、これらの問題に対処するために、明示的に合成されたマルチビュー画像を活用する新しい戦略を提案する。
我々のアプローチは、高画質画像を生成するために、LCDによって強化されたイメージ・ツー・イメージ・パイプラインを活用することである。
組込み判別器では、合成したマルチビュー画像は実データと見なされ、最適化された3Dモデルのレンダリングは偽データとして機能する。
論文 参考訳(メタデータ) (2023-08-22T14:39:17Z) - HoloDiffusion: Training a 3D Diffusion Model using 2D Images [71.1144397510333]
我々は,2次元画像のみを監督のために配置した,エンドツーエンドでトレーニング可能な新しい拡散装置を導入する。
我々の拡散モデルはスケーラブルで、頑健に訓練されており、既存の3次元生成モデルへのアプローチに対して、サンプルの品質と忠実さの点で競争力があることを示す。
論文 参考訳(メタデータ) (2023-03-29T07:35:56Z) - Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。
MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文 参考訳(メタデータ) (2023-03-15T08:28:06Z) - Solving 3D Inverse Problems using Pre-trained 2D Diffusion Models [33.343489006271255]
拡散モデルは、高品質なサンプルを持つ新しい最先端の生成モデルとして登場した。
そこで本研究では, モデルに基づく2次元拡散を, 全次元にわたるコヒーレントな再構成を達成できるように, 実験時の残りの方向で先行する2次元拡散を拡大することを提案する。
提案手法は,1つのコモディティGPU上で動作可能であり,新しい最先端技術を確立する。
論文 参考訳(メタデータ) (2022-11-19T10:32:21Z) - DreamFusion: Text-to-3D using 2D Diffusion [52.52529213936283]
テキストと画像の合成の最近の進歩は、何十億もの画像と画像のペアで訓練された拡散モデルによって引き起こされている。
本研究では,事前訓練された2次元テキスト・ツー・イメージ拡散モデルを用いてテキスト・ツー・3次元合成を行うことにより,これらの制約を回避する。
提案手法では,3次元トレーニングデータや画像拡散モデルの変更は必要とせず,事前訓練した画像拡散モデルの有効性を実証する。
論文 参考訳(メタデータ) (2022-09-29T17:50:40Z) - Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。
彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。
本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:21Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z)
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。