論文の概要: BerDiff: Conditional Bernoulli Diffusion Model for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2304.04429v1
- Date: Mon, 10 Apr 2023 07:21:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 15:48:57.524267
- Title: BerDiff: Conditional Bernoulli Diffusion Model for Medical Image
Segmentation
- Title(参考訳): BerDiff:医療画像分割のための条件付きベルヌーイ拡散モデル
- Authors: Tao Chen, Chenhui Wang, Hongming Shan
- Abstract要約: 医用画像分割のための条件付きベルヌーイ拡散モデル(BerDiff)を提案する。
我々のBerDiffは、最近発表された最先端の手法よりも優れています。
- 参考スコア(独自算出の注目度): 19.036821997968552
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medical image segmentation is a challenging task with inherent ambiguity and
high uncertainty, attributed to factors such as unclear tumor boundaries and
multiple plausible annotations. The accuracy and diversity of segmentation
masks are both crucial for providing valuable references to radiologists in
clinical practice. While existing diffusion models have shown strong capacities
in various visual generation tasks, it is still challenging to deal with
discrete masks in segmentation. To achieve accurate and diverse medical image
segmentation masks, we propose a novel conditional Bernoulli Diffusion model
for medical image segmentation (BerDiff). Instead of using the Gaussian noise,
we first propose to use the Bernoulli noise as the diffusion kernel to enhance
the capacity of the diffusion model for binary segmentation tasks, resulting in
more accurate segmentation masks. Second, by leveraging the stochastic nature
of the diffusion model, our BerDiff randomly samples the initial Bernoulli
noise and intermediate latent variables multiple times to produce a range of
diverse segmentation masks, which can highlight salient regions of interest
that can serve as valuable references for radiologists. In addition, our
BerDiff can efficiently sample sub-sequences from the overall trajectory of the
reverse diffusion, thereby speeding up the segmentation process. Extensive
experimental results on two medical image segmentation datasets with different
modalities demonstrate that our BerDiff outperforms other recently published
state-of-the-art methods. Our results suggest diffusion models could serve as a
strong backbone for medical image segmentation.
- Abstract(参考訳): 医用画像のセグメンテーションは、不明瞭な腫瘍境界や複数の可視的アノテーションなどの要因による、固有の曖昧さと高い不確実性を伴う難しい課題である。
セグメンテーションマスクの正確性と多様性は、臨床における放射線科医の貴重な参考となるために重要である。
既存の拡散モデルは様々な視覚生成タスクにおいて強い容量を示したが、セグメンテーションにおいて離散マスクを扱うことは依然として困難である。
医療用画像セグメンテーションマスクの精度向上のために,医療用画像セグメンテーション(berdiff)のための条件付きベルヌーイ拡散モデルを提案する。
ガウス雑音を用いる代わりに, ベルヌーイ雑音を拡散核として, バイナリセグメンテーションタスクの拡散モデルのキャパシティを高めることにより, より高精度なセグメンテーションマスクを実現することを最初に提案する。
第2に,拡散モデルの確率的性質を利用することで,ベルディフは初期ベルヌーイ雑音と中間潜伏変数を複数回ランダムにサンプリングし,様々なセグメンテーションマスクを生成し,放射線科医にとって貴重な参考点となりうる注目領域を浮き彫りにする。
さらに,BerDiffは逆拡散の全体軌道からのサブシーケンスを効率的にサンプリングし,セグメント化過程を高速化する。
2つの医用画像セグメンテーションデータセットの広範にわたる実験結果から,berdiffは,最近発表された他の最先端手法よりも優れていた。
以上の結果から,拡散モデルが医用画像セグメンテーションの強力なバックボーンとなる可能性が示唆された。
関連論文リスト
- Surf-CDM: Score-Based Surface Cold-Diffusion Model For Medical Image
Segmentation [15.275335829889086]
医用画像セグメンテーションのための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。
今回,65本の経胸壁心エコービデオから左室の分画について検討した。
提案手法は, セグメンテーション精度において比較手法よりも優れるだけでなく, セグメンテーションの不確かさを推定する可能性を示した。
論文 参考訳(メタデータ) (2023-12-19T22:50:02Z) - SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete
Diffusion Process [102.18226145874007]
そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。
SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。
さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
論文 参考訳(メタデータ) (2023-12-19T18:53:47Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - 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) - Annotator Consensus Prediction for Medical Image Segmentation with
Diffusion Models [70.3497683558609]
医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。
拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-15T10:01:05Z) - DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。
我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。
我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
論文 参考訳(メタデータ) (2023-06-06T06:33:32Z) - Denoising Diffusion Semantic Segmentation with Mask Prior Modeling [61.73352242029671]
本稿では,従来の識別的アプローチのセマンティックセグメンテーション品質を,デノナイズ拡散生成モデルでモデル化したマスクを用いて改善することを提案する。
市販セグメンタを用いた先行モデルの評価を行い,ADE20KとCityscapesの実験結果から,本手法が競争力のある定量的性能を実現することを示す。
論文 参考訳(メタデータ) (2023-06-02T17:47:01Z) - DiffuseExpand: Expanding dataset for 2D medical image segmentation using
diffusion models [5.822451422344051]
DPMを用いた2次元医用画像分割のためのデータセット拡張のためのDiffuseExpandを提案する。
DPMは、ジェネレーティブ・アドバイサル・ネットワークよりも強力な画像合成性能を示している。
COVID-19とCGMH Pelvisデータセットの比較およびアブレーション実験により,DiffuseExpandの有効性が示された。
論文 参考訳(メタデータ) (2023-04-26T09:55:12Z) - 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) - DiffMIC: Dual-Guidance Diffusion Network for Medical Image
Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。
実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文 参考訳(メタデータ) (2023-03-19T09:15:45Z)
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。