論文の概要: Denoising Diffusion Probabilistic Model for Retinal Image Generation and
Segmentation
- arxiv url: http://arxiv.org/abs/2308.08339v1
- Date: Wed, 16 Aug 2023 13:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 13:36:27.229145
- Title: Denoising Diffusion Probabilistic Model for Retinal Image Generation and
Segmentation
- Title（参考訳）: 異化拡散確率モデルによる網膜画像の生成とセグメンテーション
- Authors: Alnur Alimanov, Md Baharul Islam
- Abstract要約: 本稿では,画像合成におけるGANよりも優れた新しい拡散確率モデル(DDPM)を提案する。
網膜画像とそれに対応する血管木と,ReTreeデータセットの画像でトレーニングされたDDPMに基づくセグメンテーションネットワークからなる網膜ツリーデータセットを開発した。
- 参考スコア（独自算出の注目度）: 3.6350786512556987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Experts use retinal images and vessel trees to detect and diagnose various
eye, blood circulation, and brain-related diseases. However, manual
segmentation of retinal images is a time-consuming process that requires high
expertise and is difficult due to privacy issues. Many methods have been
proposed to segment images, but the need for large retinal image datasets
limits the performance of these methods. Several methods synthesize deep
learning models based on Generative Adversarial Networks (GAN) to generate
limited sample varieties. This paper proposes a novel Denoising Diffusion
Probabilistic Model (DDPM) that outperformed GANs in image synthesis. We
developed a Retinal Trees (ReTree) dataset consisting of retinal images,
corresponding vessel trees, and a segmentation network based on DDPM trained
with images from the ReTree dataset. In the first stage, we develop a two-stage
DDPM that generates vessel trees from random numbers belonging to a standard
normal distribution. Later, the model is guided to generate fundus images from
given vessel trees and random distribution. The proposed dataset has been
evaluated quantitatively and qualitatively. Quantitative evaluation metrics
include Frechet Inception Distance (FID) score, Jaccard similarity coefficient,
Cohen's kappa, Matthew's Correlation Coefficient (MCC), precision, recall,
F1-score, and accuracy. We trained the vessel segmentation model with synthetic
data to validate our dataset's efficiency and tested it on authentic data. Our
developed dataset and source code is available at
https://github.com/AAleka/retree.
- Abstract（参考訳）: 専門家は網膜画像や血管木を使って様々な眼、血液循環、脳関連疾患を検出し診断する。
しかし、網膜画像の手動分割は高度な専門知識を必要とする時間を要するプロセスであり、プライバシーの問題により困難である。
画像のセグメント化には多くの方法が提案されているが、大きな網膜画像データセットの必要性はこれらの手法の性能を制限している。
いくつかの手法がGAN(Generative Adversarial Networks)に基づいてディープラーニングモデルを合成し、限られたサンプル品種を生成する。
本稿では,画像合成におけるGANよりも優れた新しい拡散確率モデル(DDPM)を提案する。
網膜画像とそれに対応する容器木と、ReTreeデータセットの画像で訓練されたDDPMに基づくセグメンテーションネットワークからなる網膜ツリー(ReTree)データセットを開発した。
第1段階では、標準正規分布に属する乱数から容器木を生成する2段ddpmを開発した。
その後、モデルが導かれ、与えられた容器木から基底画像とランダム分布を生成する。
提案するデータセットは定量的・定性的に評価されている。
定量的評価指標としては、Frechet Inception Distance(FID)スコア、Jaccard類似度係数、CohenのKappa、Matthewの相関係数(MCC)、精度、リコール、F1スコア、精度などがある。
合成データを用いて容器分割モデルを訓練し,データセットの効率を検証した。
開発したデータセットとソースコードはhttps://github.com/aaleka/retree.com/で入手できます。
関連論文リスト
- Unsupervised Contrastive Analysis for Salient Pattern Detection using Conditional Diffusion Models [13.970483987621135]
コントラスト分析(CA)は、背景(BG)データセットとターゲット(TG)データセット(不健康な被験者)を区別できる画像内のパターンを識別することを目的としている。
この話題に関する最近の研究は、BGサンプルからTGサンプルを分離するパターンを教師付きで学習するために、変分オートエンコーダ(VAE)や対照的な学習戦略に依存している。
自己教師付きコントラストエンコーダを用いて、入力画像から共通パターンのみを符号化する潜時表現を学習し、トレーニング中にBGデータセットからのみサンプルを用いて学習し、データ拡張技術を用いて対象パターンの分布を近似する。
論文 参考訳（メタデータ） (2024-06-02T15:19:07Z) - 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) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T11:51:28Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳（メタデータ） (2022-10-17T21:38:38Z) - VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。
我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。
本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-25T17:55:31Z) - Anomaly Detection in Image Datasets Using Convolutional Neural Networks,
Center Loss, and Mahalanobis Distance [0.0]
ユーザーアクティビティは、品質や無関係な画像やデータベクターのかなりの数を生成します。
ニューラルネットワークの場合、異常は通常分布外サンプルとして定義される。
本研究では,画像データセットにおける非分布サンプルの監督的および半監督的検出手法を提案する。
論文 参考訳（メタデータ） (2021-04-13T13:44:03Z) - Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot
Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。
提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。
本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文 参考訳（メタデータ） (2021-02-03T12:28:04Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。