論文の概要: FSDiffReg: Feature-wise and Score-wise Diffusion-guided Unsupervised
Deformable Image Registration for Cardiac Images
- arxiv url: http://arxiv.org/abs/2307.12035v1
- Date: Sat, 22 Jul 2023 10:09:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 18:19:25.366840
- Title: FSDiffReg: Feature-wise and Score-wise Diffusion-guided Unsupervised
Deformable Image Registration for Cardiac Images
- Title(参考訳): fsdiffreg:心画像における特徴的およびスコア的拡散誘導非教師なし画像登録
- Authors: Yi Qin and Xiaomeng Li
- Abstract要約: 教師なしの変形可能な画像登録は、医用画像撮影において難しい課題の1つである。
機能的拡散誘導モジュールとスコア的拡散誘導モジュールの2つのモジュールを提示する。
3次元医用心臓画像登録タスクの実験結果から,保存トポロジを効果的に活用する改良変形場の実現能力が検証された。
- 参考スコア(独自算出の注目度): 12.20081061919718
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised deformable image registration is one of the challenging tasks in
medical imaging. Obtaining a high-quality deformation field while preserving
deformation topology remains demanding amid a series of deep-learning-based
solutions. Meanwhile, the diffusion model's latent feature space shows
potential in modeling the deformation semantics. To fully exploit the diffusion
model's ability to guide the registration task, we present two modules:
Feature-wise Diffusion-Guided Module (FDG) and Score-wise Diffusion-Guided
Module (SDG). Specifically, FDG uses the diffusion model's multi-scale semantic
features to guide the generation of the deformation field. SDG uses the
diffusion score to guide the optimization process for preserving deformation
topology with barely any additional computation. Experiment results on the 3D
medical cardiac image registration task validate our model's ability to provide
refined deformation fields with preserved topology effectively. Code is
available at: https://github.com/xmed-lab/FSDiffReg.git.
- Abstract(参考訳): 教師なしの変形可能な画像登録は、医療画像の難しい課題の1つである。
一連のディープラーニングソリューションでは,変形トポロジーを保ちながら高品質な変形場を得ることが求められている。
一方、拡散モデルの潜在特徴空間は変形意味論をモデル化する可能性を示している。
本稿では,拡散モデルが登録タスクを案内する能力をフル活用するために,FDG(Feature-wise Diffusion-Guided Module)とSDG(Score-wise Diffusion-Guided Module)の2つのモジュールを提案する。
具体的には、FDGは拡散モデルのマルチスケール意味的特徴を用いて変形場の生成を導く。
SDGは拡散スコアを使用して、変形トポロジーをほとんど追加の計算で保存するための最適化プロセスを導く。
3次元医用心臓画像登録タスクの実験結果から,保存トポロジを効果的に活用する改良変形場の実現能力が検証された。
コードはhttps://github.com/xmed-lab/fsdiffreg.gitで入手できる。
関連論文リスト
- Feature Manipulation for DDPM based Change Detection [2.2933109484655794]
変化検出はコンピュータビジョンの古典的なタスクであり、両時間画像ペアを入力として受け取り、意味的に変化し、変化しない領域を分離する。
拡散モデルは画像合成や特徴抽出機として使われ、下流の様々なタスクに適用されている。
LEVIR-CDデータセットのF1スコア(90.18)とIoU(83.86)が得られた。
論文 参考訳(メタデータ) (2024-03-23T22:07:32Z) - Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。
本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-14T11:19:11Z) - The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。
i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
論文 参考訳(メタデータ) (2023-12-11T08:39:43Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Diffusion Models as Masked Autoencoders [52.442717717898056]
拡散モデルに対する近年の関心を踏まえて、生成的に事前学習された視覚表現を再考する。
拡散モデルによる直接事前学習では強い表現は得られないが、マスク付き入力上での拡散モデルと公式拡散モデルをマスク付きオートエンコーダ(DiffMAE)として条件付ける。
設計選択の長所と短所について包括的な研究を行い、拡散モデルとマスク付きオートエンコーダ間の接続を構築する。
論文 参考訳(メタデータ) (2023-04-06T17:59:56Z) - Zero-shot Medical Image Translation via Frequency-Guided Diffusion
Models [9.15810015583615]
構造保存画像変換のための拡散モデルを導出するために周波数領域フィルタを用いた周波数誘導拡散モデル(FGDM)を提案する。
その設計に基づいて、FGDMはゼロショット学習を可能にし、ターゲットドメインのデータのみに基づいてトレーニングし、ソース・ツー・ターゲットドメインの変換に直接使用することができる。
FGDMは、Frechet Inception Distance(FID)、Peak Signal-to-Noise Ratio(PSNR)、および構造的類似性の測定値において、最先端手法(GANベース、VAEベース、拡散ベース)よりも優れていた
論文 参考訳(メタデータ) (2023-04-05T20:47:40Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳(メタデータ) (2022-11-22T18:00:03Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳(メタデータ) (2022-10-11T15:53:52Z) - DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。
本モデルは,動画像と固定画像の変形のスコア関数を学習する。
本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文 参考訳(メタデータ) (2021-12-09T08:41:23Z) - Unsupervised Deep-Learning Based Deformable Image Registration: A
Bayesian Framework [0.0]
非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。
提案手法は,真の後部分布を特徴付ける手段を提供する。
提案手法は, 平均二乗誤差を改良した手法により, 変形場の推定精度を向上する。
論文 参考訳(メタデータ) (2020-08-10T08:15:49Z)
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。