論文の概要: Brain tumor segmentation using synthetic MR images -- A comparison of GANs and diffusion models

• arxiv url: http://arxiv.org/abs/2306.02986v1
• Date: Mon, 5 Jun 2023 15:56:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 14:02:19.745648
• Title: Brain tumor segmentation using synthetic MR images -- A comparison of GANs and diffusion models
• Title（参考訳）: 合成MR画像を用いた脳腫瘍のセグメンテーション --GANと拡散モデルの比較-
• Authors: Muhammad Usman Akbar, M{\aa}ns Larsson, Anders Eklund
• Abstract要約: 脳腫瘍セグメンテーションにおける4つのGANと拡散モデルについて検討した。 以上の結果から,合成画像に基づいてトレーニングし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%～90%に達することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large annotated datasets are required for training deep learning models, but in medical imaging data sharing is often complicated due to ethics, anonymization and data protection legislation (e.g. the general data protection regulation (GDPR)). Generative AI models, such as generative adversarial networks (GANs) and diffusion models, can today produce very realistic synthetic images, and can potentially facilitate data sharing as GDPR should not apply for medical images which do not belong to a specific person. However, in order to share synthetic images it must first be demonstrated that they can be used for training different networks with acceptable performance. Here, we therefore comprehensively evaluate four GANs (progressive GAN, StyleGAN 1-3) and a diffusion model for the task of brain tumor segmentation. Our results show that segmentation networks trained on synthetic images reach Dice scores that are 80\% - 90\% of Dice scores when training with real images, but that memorization of the training images can be a problem for diffusion models if the original dataset is too small. Furthermore, we demonstrate that common metrics for evaluating synthetic images, Fr\'echet inception distance (FID) and inception score (IS), do not correlate well with the obtained performance when using the synthetic images for training segmentation networks.
• Abstract（参考訳）: ディープラーニングモデルのトレーニングには大規模な注釈付きデータセットが必要であるが、医療画像データ共有は倫理、匿名化、データ保護法(GDPRなど)によって複雑になることが多い。 GAN(Generative Adversarial Network)や拡散モデルなどの生成AIモデルは、今日では非常に現実的な合成画像を生成することが可能であり、GDPRが特定の人に属しない医療画像に適用すべきではないため、データ共有を促進する可能性がある。 しかし、合成画像を共有するためには、まず異なるネットワークのトレーニングに、許容性能で使用できることを示す必要がある。 そこで我々は4つのGAN(プログレッシブGAN,StyleGAN 1-3)と脳腫瘍セグメンテーションのための拡散モデルについて総合的に評価した。 その結果,合成画像上で訓練されたセグメンテーションネットワークは,実画像でのトレーニング時のサイコロスコアの80\% - 90\%のサイコロスコアに達するが,元のデータセットが小さすぎると拡散モデルでは,トレーニング画像の記憶が問題となる。 さらに,合成画像評価のための一般的な指標であるFr'echet inception distance (FID) とinception score (IS) が,合成画像を用いてセグメンテーションネットワークを訓練する際に得られた性能とよく相関しないことを示した。

関連論文リスト

• Evaluating Utility of Memory Efficient Medical Image Generation: A Study on Lung Nodule Segmentation [0.0]
  本研究は,合成医用画像を生成するためのメモリ効率のパッチワイド拡散確率モデル(DDPM)を提案する。 本手法は, メモリ制約を効率的に管理しながら, 結節分割による高能率合成画像を生成する。 本手法は,合成データのみに基づくセグメンテーションモデルのトレーニングと,合成画像を用いた実世界のトレーニングデータの拡張の2つのシナリオで評価する。
  論文  参考訳（メタデータ） (2024-10-16T13:20:57Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• 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)
• 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)
• Beware of diffusion models for synthesizing medical images -- A comparison with GANs in terms of memorizing brain MRI and chest x-ray images [0.0]
  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。
  論文  参考訳（メタデータ） (2023-05-12T17:55:40Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• Brain Imaging Generation with Latent Diffusion Models [2.200720122706913]
  本研究では,高分解能3次元脳画像から合成画像を生成するために潜在拡散モデルを用いて検討する。 我々のモデルは現実的なデータを作成し、条件変数を使ってデータ生成を効果的に制御できることがわかった。
  論文  参考訳（メタデータ） (2022-09-15T09:16:21Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Overcoming Barriers to Data Sharing with Medical Image Generation: A Comprehensive Evaluation [17.983449515155414]
  我々は、GAN(Generative Adversarial Networks)を用いて、合成患者データからなる医用画像データセットを作成する。 合成画像は、理想的には、ソースデータセットと類似した統計特性を持つが、機密性の高い個人情報は含まない。 合成画像の品質は、合成データセットと実データセットの両方で訓練された予測モデルの性能差によって測定する。
  論文  参考訳（メタデータ） (2020-11-29T15:41:46Z)
• 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)
• Image Translation for Medical Image Generation -- Ischemic Stroke Lesions [0.0]
  注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。 画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。 臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-10-05T09:12:28Z)

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。