論文の概要: GenerateCT: Text-Conditional Generation of 3D Chest CT Volumes
- arxiv url: http://arxiv.org/abs/2305.16037v3
- Date: Sun, 26 Nov 2023 20:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 16:10:09.308428
- Title: GenerateCT: Text-Conditional Generation of 3D Chest CT Volumes
- Title（参考訳）: GenerateCT:3次元胸部CTボリュームのテキストコンディショナル生成
- Authors: Ibrahim Ethem Hamamci, Sezgin Er, Enis Simsar, Anjany Sekuboyina,
Chinmay Prabhakar, Alperen Tezcan, Ayse Gulnihan Simsek, Sevval Nil Esirgun,
Furkan Almas, Irem Do\u{g}an, Muhammed Furkan Dasdelen, Hadrien Reynaud,
Sarthak Pati, Christian Bluethgen, Mehmet Kemal Ozdemir, Bjoern Menze
- Abstract要約: 我々は,フリーフォーム医療用テキストプロンプトに条件付CTボリュームを生成する新しい手法であるGenerateCTを紹介した。
GenerateCTは、FIDとFVDの低いスコアで検証された、現実的で高解像度で高忠実な3D胸部CTボリュームを生成することができる。
- 参考スコア（独自算出の注目度）: 2.456782772294487
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we introduce GenerateCT, a novel approach for generating CT
volumes conditioned on free-form medical text prompts. GenerateCT includes a
text encoder and three key components: a novel causal vision transformer for
encoding CT volumes, a text-image transformer for aligning CT and text tokens,
and a text-conditional super-resolution diffusion model. GenerateCT can produce
realistic, high-resolution, and high-fidelity 3D chest CT volumes, validated by
low FID and FVD scores. To explore GenerateCT's clinical applications, we
evaluated its utility in a multi-abnormality classification task. First, we
established a baseline by training a multi-abnormality classifier on our real
dataset. To further assess the model's generalization to external datasets and
its performance with unseen prompts in a zero-shot scenario, we employed an
external dataset to train the classifier, setting an additional benchmark. We
conducted two experiments in which we doubled the training datasets by
synthesizing an equal number of volumes for each set using GenerateCT. The
first experiment demonstrated an 11% improvement in the AP score when training
the classifier jointly on real and generated volumes. The second experiment
showed a 7% improvement when training on both real and generated volumes based
on unseen prompts. Moreover, GenerateCT enables the scaling of synthetic
training datasets to arbitrary sizes. As an example, we generated 100,000 CT
volumes, fivefold the number in our real dataset, and trained the classifier
exclusively on these synthetic volumes. Impressively, this classifier surpassed
the performance of the one trained on all available real data by a margin of
8%. Lastly, domain experts evaluated the generated volumes, confirming a high
degree of alignment with the text prompt. Our code and pre-trained models are
available at: https://github.com/ibrahimethemhamamci/GenerateCT
- Abstract（参考訳）: 本稿では,フリーフォーム医療用テキストプロンプトに条件付CTボリュームを生成する新しい手法であるGenerateCTを紹介する。
GenerateCTは、CTボリュームを符号化する新しい因果視覚変換器と、CTとテキストトークンを整列するテキストイメージ変換器と、テキスト条件の超解像拡散モデルとを含む3つの重要なコンポーネントを含む。
GenerateCTは、FIDとFVDの低いスコアで検証された、現実的で高解像度で高忠実な3D胸部CTボリュームを生成することができる。
GenerateCTの臨床応用を探求するため,多義性分類タスクにおいて有用性を評価した。
まず,実データセット上でのマルチ異常度分類器のトレーニングにより,ベースラインを確立した。
モデルの外部データセットへの一般化と、ゼロショットシナリオにおける未認識のプロンプトによるパフォーマンスをさらに評価するために、外部データセットを使用して分類器をトレーニングし、追加のベンチマークを設定した。
我々は,generatectを用いて各集合のボリュームを等数に合成し,トレーニングデータセットを2倍にする実験を行った。
最初の実験では、実数と生成量で分類器を共同で訓練する際、APスコアが11%改善した。
第2の実験では、目に見えないプロンプトに基づいた実数と生成量のトレーニングでは7%の改善が見られた。
さらに、GenerateCTは、任意のサイズの合成トレーニングデータセットのスケーリングを可能にする。
例えば、実際のデータセットの5倍の10万のctボリュームを生成し、これらの合成ボリュームのみに分類器をトレーニングしました。
驚くべきことに、この分類器は、利用可能なすべての実データでトレーニングされたもののパフォーマンスを8%上回った。
最後に、ドメインの専門家は生成されたボリュームを評価し、テキストプロンプトと高い整合性を確認した。
私たちのコードと事前トレーニングされたモデルは、https://github.com/ibrahimethemhamamci/GenerateCTで利用可能です。
関連論文リスト
- CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。
本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文 参考訳（メタデータ） (2024-04-23T17:59:01Z) - Brain Tumor Radiogenomic Classification [1.8276368987462532]
2次分類によるグリオ芽腫のMGMTバイオマーカー状態の予測を目的としたRSNA-MICCAI脳腫瘍ラジオゲノミクス分類の試み
データセットはトレーニングセット、トレーニング中に使用された検証セット、最終評価時にのみ使用されるテストの3つの主要なコホートに分割される。
論文 参考訳（メタデータ） (2024-01-11T10:30:09Z) - Contrastive Transformer Learning with Proximity Data Generation for
Text-Based Person Search [60.626459715780605]
記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。
このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。
本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2023-11-15T16:26:49Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Using the Order of Tomographic Slices as a Prior for Neural Networks
Pre-Training [1.1470070927586016]
ボリュームの代わりにスライス上でSortingLossを事前学習する手法を提案する。
ボリュームではなくスライスで事前トレーニングを行うので、スライスのスパースセットでモデルを微調整することができる。
提案手法はSimCLRと同等に動作し、2倍高速に動作し、1.5倍少ないメモリを必要とすることを示す。
論文 参考訳（メタデータ） (2022-03-17T14:58:15Z) - Simulation-Driven Training of Vision Transformers Enabling Metal
Segmentation in X-Ray Images [6.416928579907334]
本研究は,CTデータセットとCADインプラントを組み合わせたシミュレーションX線画像を生成することを提案する。
CBCT射影における金属セグメンテーションは、金属アーティファクト回避および還元アルゴリズムの前提条件となる。
本研究は,CADモデルに基づくデータ生成の柔軟性が向上し,臨床データサンプリングとラベル付けの不足を克服する手段となる可能性が示唆された。
論文 参考訳（メタデータ） (2022-03-17T09:58:58Z) - Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。
本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。
事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文 参考訳（メタデータ） (2022-01-24T14:12:29Z) - A hybrid deep learning framework for Covid-19 detection via 3D Chest CT
Images [5.3708513698154015]
本稿では,畳み込みニューラルネットワークとトランスフォーマーを組み合わせた3D胸部CT画像によるCOVID-19検出のためのハイブリッドディープラーニングフレームワークCTNetを提案する。
これは、CTスキャンから十分な特徴を抽出するためにSEが注目するCNN特徴抽出モジュールと、3D CTスキャンの識別特徴をモデル化するトランスフォーマーモデルで構成されている。
論文 参考訳（メタデータ） (2021-07-08T15:37:46Z) - Toward Generating Synthetic CT Volumes using a 3D-Conditional Generative
Adversarial Network [1.5846249630722484]
雑音および/または画素近似からボクセル内の3次元CTスキャンを生成することができる条件付き生成逆ネットワーク(cGAN)アーキテクチャ。
条件付きcGANは3次元CTボリュームを生成するための抽出可能なアプローチであると考えている。
論文 参考訳（メタデータ） (2021-04-02T12:25:37Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z)
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。