論文の概要: Beware of diffusion models for synthesizing medical images -- A comparison with GANs in terms of memorizing brain MRI and chest x-ray images

• arxiv url: http://arxiv.org/abs/2305.07644v3
• Date: Sun, 7 Jul 2024 19:09:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 03:48:51.262974
• Title: Beware of diffusion models for synthesizing medical images -- A comparison with GANs in terms of memorizing brain MRI and chest x-ray images
• Title（参考訳）: 医用画像の拡散モデルに留意すること --脳MRIおよび胸部X線画像の記憶におけるGANとの比較
• Authors: Muhammad Usman Akbar, Wuhao Wang, Anders Eklund,
• Abstract要約: BRATS20, BRATS21, 胸部X線肺炎データセットを用いてStyleGANと拡散モデルの訓練を行い, 脳MRIおよび胸部X線画像の合成を行った。 以上の結果から,拡散モデルは,特に小規模なデータセットにおいて,StyleGANと比較してトレーニングイメージを記憶する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models were initially developed for text-to-image generation and are now being utilized to generate high quality synthetic images. Preceded by GANs, diffusion models have shown impressive results using various evaluation metrics. However, commonly used metrics such as FID and IS are not suitable for determining whether diffusion models are simply reproducing the training images. Here we train StyleGAN and a diffusion model, using BRATS20, BRATS21 and a chest x-ray pneumonia dataset, to synthesize brain MRI and chest x-ray images, and measure the correlation between the synthetic images and all training images. Our results show that diffusion models are more likely to memorize the training images, compared to StyleGAN, especially for small datasets and when using 2D slices from 3D volumes. Researchers should be careful when using diffusion models (and to some extent GANs) for medical imaging, if the final goal is to share the synthetic images.
• Abstract（参考訳）: 拡散モデルは当初テキスト・画像生成のために開発され、現在では高品質な合成画像の生成に利用されている。 GANが先行する拡散モデルでは,様々な評価指標を用いて顕著な結果が得られた。 しかし、FIDやISなどの一般的なメトリクスは、拡散モデルが単にトレーニングイメージを再現しているかどうかを決定するには適していない。 ここでは,BRATS20,BRATS21および胸部X線肺炎データセットを用いてStyleGANおよび拡散モデルを用いて,脳MRIと胸部X線画像の合成を行い,合成画像と全トレーニング画像との相関を計測する。 以上の結果から,拡散モデルでは,特に3次元ボリュームの2次元スライスを用いた場合,StyleGANと比較してトレーニング画像を記憶する傾向が示唆された。 研究者たちは、医療画像に拡散モデル(およびある程度のGAN)を使用する場合、最終目標は合成画像を共有することである。

関連論文リスト

• Ultrasound Image Generation using Latent Diffusion Models [9.195192250393267]
  画像生成のための拡散モデルは、多種多様な高品質な画像を生成する能力により、関心が高まりつつある。 本研究では,異なる公開データベース上での大規模拡散モデルの連続的な微調整により,現実的な超音波画像(US)のシミュレーションを提案する。 乳房の高画質な画像は、臓器と病理を識別するシンプルなプロンプトで生成し、アメリカの経験者3人とアメリカの放射線技師に現実的に見られた。
  論文  参考訳（メタデータ） (2025-02-12T17:11:58Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Brain tumor segmentation using synthetic MR images -- A comparison of GANs and diffusion models [0.0]
  現在、GAN(Generative Adversarial Network)や拡散モデルのような生成AIモデルは、非常に現実的な合成画像を生成することができる。 合成画像に基づいてトレーニングされたセグメンテーションネットワークは、実画像を用いたトレーニングにおいて、Diceスコアの80%から90%のDiceスコアに達することを示す。 我々の結論は、医用画像の共有は実際の画像の共有に有効な選択肢であるが、さらなる作業が必要であるということだ。
  論文  参考訳（メタデータ） (2023-06-05T15:56:30Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Extracting Training Data from Diffusion Models [77.11719063152027]
  拡散モデルはトレーニングデータから個々の画像を記憶し,生成時に出力することを示す。 生成とフィルタのパイプラインを用いて、最先端のモデルから数千以上のトレーニング例を抽出する。 さまざまな設定で何百もの拡散モデルをトレーニングし、モデリングとデータ決定の違いがプライバシに与える影響を分析する。
  論文  参考訳（メタデータ） (2023-01-30T18:53:09Z)
• Diffusion Art or Digital Forgery? Investigating Data Replication in Diffusion Models [53.03978584040557]
  生成した画像とトレーニングサンプルを比較し、コンテンツが複製されたことを検知する画像検索フレームワークについて検討する。 フレームワークをオックスフォード花、Celeb-A、ImageNet、LAIONなど複数のデータセットでトレーニングされた拡散モデルに適用することにより、トレーニングセットのサイズがコンテンツ複製の速度にどのように影響するかを議論する。
  論文  参考訳（メタデータ） (2022-12-07T18:58:02Z)
• 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)
• Spot the fake lungs: Generating Synthetic Medical Images using Neural Diffusion Models [1.0957528713294873]
  我々は,事前学習したDALLE2モデルを用いて,入力テキストプロンプトから肺X線とCT画像を生成する。 我々は3165個のX線画像を用いて安定拡散モデルを訓練し、合成画像を生成する。 その結果, 拡散モデルにより生成した画像は, 特定の医学的条件に特有な特徴を翻訳できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-02T06:02:55Z)

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。