論文の概要: Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis

• arxiv url: http://arxiv.org/abs/2305.18453v4
• Date: Fri, 2 Feb 2024 09:56:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 20:15:23.266947
• Title: Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis
• Title（参考訳）: 意味的脳MRI合成のための条件拡散モデル
• Authors: Zolnamar Dorjsembe, Hsing-Kuo Pao, Sodtavilan Odonchimed, Furen Xiao
• Abstract要約: Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。 セマンティックコンディショニングを統合することで、データの不足とプライバシの問題に効果的に取り組む。 視覚的忠実度の高い多様なコヒーレントな画像を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) in healthcare, especially in medical imaging, faces challenges due to data scarcity and privacy concerns. Addressing these, we introduce Med-DDPM, a diffusion model designed for 3D semantic brain MRI synthesis. This model effectively tackles data scarcity and privacy issues by integrating semantic conditioning. This involves the channel-wise concatenation of a conditioning image to the model input, enabling control in image generation. Med-DDPM demonstrates superior stability and performance compared to existing 3D brain imaging synthesis methods. It generates diverse, anatomically coherent images with high visual fidelity. In terms of dice score accuracy in the tumor segmentation task, Med-DDPM achieves 0.6207, close to the 0.6531 accuracy of real images, and outperforms baseline models. Combined with real images, it further increases segmentation accuracy to 0.6675, showing the potential of our proposed method for data augmentation. This model represents the first use of a diffusion model in 3D semantic brain MRI synthesis, producing high-quality images. Its semantic conditioning feature also shows potential for image anonymization in biomedical imaging, addressing data and privacy issues. We provide the code and model weights for Med-DDPM on our GitHub repository (https://github.com/mobaidoctor/med-ddpm/) to support reproducibility.
• Abstract（参考訳）: 医療、特に医療画像における人工知能(AI)は、データの不足とプライバシー上の懸念のために課題に直面している。 Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。 このモデルはセマンティックコンディショニングを統合することでデータ不足とプライバシーの問題に効果的に取り組む。 これは、コンディショニング画像をモデル入力にチャネル単位で結合することを含み、画像生成における制御を可能にする。 Med-DDPMは既存の3次元脳画像合成法に比べて安定性と性能が優れている。 視覚的忠実度の高い多種多様な解剖学的コヒーレントな画像を生成する。 腫瘍セグメンテーションタスクにおけるダイススコアの精度に関して、Med-DDPMは実際の画像の0.6531精度に近い0.6207を達成し、ベースラインモデルを上回っている。 実画像と組み合わせることで、さらにセグメンテーション精度を 0.6675 に向上させ、提案するデータ拡張手法の可能性を示した。 このモデルは、3次元意味脳MRI合成における拡散モデルの最初の使用であり、高品質な画像を生成する。 そのセマンティックコンディショニング機能は、バイオメディカルイメージング、データ処理、プライバシー問題における画像匿名化の可能性も示している。 再現性をサポートするため、githubリポジトリ(https://github.com/mobaidoctor/med-ddpm/)にmed-ddpmのコードとモデルウェイトを提供します。

関連論文リスト

• On Differentially Private 3D Medical Image Synthesis with Controllable Latent Diffusion Models [5.966954237899151]
  本研究は, 短軸視における3次元心筋MRI像の課題に対処するものである。 医用属性に条件付き合成画像を生成する潜在拡散モデルを提案する。 UK Biobankデータセットに差分プライバシでモデルを微調整します。
  論文  参考訳（メタデータ） (2024-07-23T11:49:58Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• 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)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• MedGen3D: A Deep Generative Framework for Paired 3D Image and Mask Generation [17.373961762646356]
  我々は3次元医用画像とマスクをペアで生成できるフレームワークであるMedGen3Dを紹介する。 提案フレームワークは,合成画像とセグメンテーションマップの正確なアライメントを保証する。
  論文  参考訳（メタデータ） (2023-04-08T21:43:26Z)
• Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
  3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。 本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。 効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
  論文  参考訳（メタデータ） (2023-02-24T15:26:31Z)
• Diffusion Probabilistic Models beat GANs on Medical Images [0.13386555802329278]
  医療画像のための条件付き潜伏型DDPMであるMedfusionを提案する。 DDPMモデルとGANモデルを比較し,現在の医療領域における最先端モデルである。 本研究は, DDPMが医用領域における画像合成において, GANsの代替として優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-14T20:46:50Z)
• 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)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。