論文の概要: DiffuseExpand: Expanding dataset for 2D medical image segmentation using diffusion models

• arxiv url: http://arxiv.org/abs/2304.13416v2
• Date: Tue, 6 Jun 2023 09:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 20:08:27.766352
• Title: DiffuseExpand: Expanding dataset for 2D medical image segmentation using diffusion models
• Title（参考訳）: DiffuseExpand:拡散モデルを用いた2次元医用画像分割のための拡張データセット
• Authors: Shitong Shao, Xiaohan Yuan, Zhen Huang, Ziming Qiu, Shuai Wang and Kevin Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.822451422344051
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dataset expansion can effectively alleviate the problem of data scarcity for medical image segmentation, due to privacy concerns and labeling difficulties. However, existing expansion algorithms still face great challenges due to their inability of guaranteeing the diversity of synthesized images with paired segmentation masks. In recent years, Diffusion Probabilistic Models (DPMs) have shown powerful image synthesis performance, even better than Generative Adversarial Networks. Based on this insight, we propose an approach called DiffuseExpand for expanding datasets for 2D medical image segmentation using DPM, which first samples a variety of masks from Gaussian noise to ensure the diversity, and then synthesizes images to ensure the alignment of images and masks. After that, DiffuseExpand chooses high-quality samples to further enhance the effectiveness of data expansion. Our comparison and ablation experiments on COVID-19 and CGMH Pelvis datasets demonstrate the effectiveness of DiffuseExpand. Our code is released at https://github.com/shaoshitong/DiffuseExpand.
• Abstract（参考訳）: データセットの拡張は、プライバシの懸念とラベル付けの困難により、医療画像のセグメンテーションにおけるデータ不足の問題を効果的に軽減することができる。 しかし、既存の拡張アルゴリズムは、ペア分割マスクによる合成画像の多様性を保証することができないため、大きな課題に直面している。 近年、拡散確率モデル(dpms)は、生成的逆ネットワークよりも優れた画像合成性能を示している。 この知見に基づいて,dpmを用いた2次元医用画像セグメンテーションのためのデータセットを拡張するためのdvidationexpandという手法を提案する。 その後、DiffuseExpandは高品質なサンプルを選択し、データ拡張の有効性をさらに高める。 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。 私たちのコードはhttps://github.com/shaoshitong/diffuseexpandでリリースされています。

関連論文リスト

• HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation [16.906987804797975]
  HiDiffは医療画像セグメンテーションのためのハイブリッド拡散フレームワークである。 既存の識別的セグメンテーションモデルと新しい生成的拡散モデルの強みを相乗化することができる。 小さなオブジェクトをセグメンテーションし、新しいデータセットに一般化する。
  論文  参考訳（メタデータ） (2024-07-03T23:59:09Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
  本稿では,新しい分類指向フレームワークDreamDAを提案する。 DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。 また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-03-19T15:04:35Z)
• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• 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)
• Mask-conditioned latent diffusion for generating gastrointestinal polyp images [2.027538200191349]
  本研究では,与えられたセグメンテーションマスクに条件付き合成GIポリプ画像を生成する条件付きDPMフレームワークを提案する。 本システムでは,ポリプの接地真実マスクを用いて,無限個の高忠実度合成ポリプ画像を生成することができる。 以上の結果から,実データと合成データの両方からなるトレーニングデータから,DeepLabv3+から0.7751の最適マイクロイモージョンIOUが得られた。
  論文  参考訳（メタデータ） (2023-04-11T14:11:17Z)
• BerDiff: Conditional Bernoulli Diffusion Model for Medical Image Segmentation [19.036821997968552]
  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。
  論文  参考訳（メタデータ） (2023-04-10T07:21:38Z)
• Dataset Distillation via Factorization [58.8114016318593]
  既存のデータセット蒸留(DD)ベースラインに移植可能なプラグ・アンド・プレイ戦略であるEmphHaBaと呼ばれるEmphdataset Factorizationアプローチを導入する。 emphHaBaは、データセットをデータemphHallucinationネットワークとemphBaseの2つのコンポーネントに分解する方法を探っている。 提案手法は, 圧縮パラメータの総数を最大65%削減しつつ, 下流の分類タスクを従来に比べて大幅に改善することができる。
  論文  参考訳（メタデータ） (2022-10-30T08:36:19Z)
• Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological Report [0.0]
  インペイントアルゴリズムは、入力画像の1つ以上の領域を変更することができるDL生成モデルのサブセットである。 これらのアルゴリズムの性能は、その限られた出力量のために、しばしば準最適である。 拡散確率モデル(DDPM)は、GANに匹敵する品質の結果を生成することができる、最近導入された生成ネットワークのファミリーである。
  論文  参考訳（メタデータ） (2022-10-21T17:13:14Z)
• DVG-Face: Dual Variational Generation for Heterogeneous Face Recognition [85.94331736287765]
  我々は、HFRを二重生成問題として定式化し、新しいDual Variational Generation(DVG-Face)フレームワークを用いてそれに取り組む。 大規模可視データの豊富なアイデンティティ情報を結合分布に統合する。 同一の同一性を持つ多種多様な多種多様な画像は、ノイズから生成することができる。
  論文  参考訳（メタデータ） (2020-09-20T09:48:24Z)

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。