論文の概要: PIE: Simulating Disease Progression via Progressive Image Editing
- arxiv url: http://arxiv.org/abs/2309.11745v2
- Date: Thu, 5 Oct 2023 04:45:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 21:20:52.507822
- Title: PIE: Simulating Disease Progression via Progressive Image Editing
- Title（参考訳）: PIE:進行画像編集による疾患進行のシミュレーション
- Authors: Kaizhao Liang, Xu Cao, Kuei-Da Liao, Tianren Gao, Wenqian Ye, Zhengyu
Chen, Jianguo Cao, Tejas Nama, Jimeng Sun
- Abstract要約: プログレッシブイメージ編集(PIE)は、疾患に関連する画像の特徴を制御できる。
我々は、テキスト・ツー・イメージ生成モデルの最近の進歩を活用して、疾患の進行を正確にシミュレートし、各患者にパーソナライズする。
PIEは、現実世界の標準に適合した疾患進行画像を生成する最初の企業である。
- 参考スコア（独自算出の注目度）: 27.658116659009025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Disease progression simulation is a crucial area of research that has
significant implications for clinical diagnosis, prognosis, and treatment. One
major challenge in this field is the lack of continuous medical imaging
monitoring of individual patients over time. To address this issue, we develop
a novel framework termed Progressive Image Editing (PIE) that enables
controlled manipulation of disease-related image features, facilitating precise
and realistic disease progression simulation. Specifically, we leverage recent
advancements in text-to-image generative models to simulate disease progression
accurately and personalize it for each patient. We theoretically analyze the
iterative refining process in our framework as a gradient descent with an
exponentially decayed learning rate. To validate our framework, we conduct
experiments in three medical imaging domains. Our results demonstrate the
superiority of PIE over existing methods such as Stable Diffusion Walk and
Style-Based Manifold Extrapolation based on CLIP score (Realism) and Disease
Classification Confidence (Alignment). Our user study collected feedback from
35 veteran physicians to assess the generated progressions. Remarkably, 76.2%
of the feedback agrees with the fidelity of the generated progressions. To our
best knowledge, PIE is the first of its kind to generate disease progression
images meeting real-world standards. It is a promising tool for medical
research and clinical practice, potentially allowing healthcare providers to
model disease trajectories over time, predict future treatment responses, and
improve patient outcomes.
- Abstract（参考訳）: 疾患進行シミュレーションは、臨床診断、予後、治療に重要な意味を持つ研究の重要な領域である。
この分野での大きな課題は、個々の患者の連続的な医療画像モニタリングの欠如である。
そこで本研究では, 疾患関連画像の操作を制御し, 高精度かつ現実的な疾患進行シミュレーションを実現する, プログレッシブ画像編集 (pie) と呼ばれる新しい枠組みを開発した。
具体的には,テキストから画像への生成モデルの最近の進歩を利用して,疾患の進行を正確にシミュレーションし,患者ごとにパーソナライズする。
我々は,指数関数的に減衰した学習率の勾配降下として,フレームワークの反復精製過程を理論的に解析する。
この枠組みを検証するため、3つの医用画像領域で実験を行った。
以上の結果から,CLIPスコア(リアリズム)と病因分類信頼度(アライメント)に基づく安定拡散歩行法やスタイルベースマニフォールド外挿法などの既存手法よりもPIEの方が優れていることが示された。
以上の結果から,35名の老年医からのフィードバックを得た。
驚くべきことに、フィードバックの76.2%は、生成した進歩の忠実さに同意している。
われわれの知る限り、pieは現実世界の標準を満たした病気の進行画像を生成する最初の製品だ。
医療研究と臨床実践のための有望なツールであり、医療提供者が時間をかけて疾患の軌跡をモデル化し、将来の治療反応を予測し、患者の結果を改善できる可能性がある。
関連論文リスト
- Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records [9.398163873685798]
本稿では,従来のCXRとその後の医療イベントを統合することで,将来のCXR画像を予測する新しいフレームワークであるEHRXDiffを提案する。
我々のフレームワークは、時間的変化を捉えた高品質で現実的な未来像を生成することを実証する。
これは、医療分野における患者のモニタリングと治療計画に有用な洞察を与える可能性がある。
論文 参考訳（メタデータ） (2024-09-11T04:49:44Z) - Exploring Foundation Models for Synthetic Medical Imaging: A Study on Chest X-Rays and Fine-Tuning Techniques [0.49000940389224884]
機械学習は、疾患の予防と治療の特定を支援することで、医療を著しく進歩させた。
しかし、プライバシの懸念と厳格な規制のため、患者データへのアクセスは困難である可能性がある。
近年の研究では、微調整基礎モデルがこのようなデータを効果的に生成できることが示唆されている。
論文 参考訳（メタデータ） (2024-09-06T17:36:08Z) - Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。
提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
論文 参考訳（メタデータ） (2024-08-16T14:56:17Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳（メタデータ） (2023-10-16T18:59:31Z) - Learning Spatio-Temporal Model of Disease Progression with NeuralODEs
from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。
ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。
アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文 参考訳（メタデータ） (2022-11-08T13:28:26Z) - Temporal Context Matters: Enhancing Single Image Prediction with Disease
Progression Representations [8.396615243014768]
本稿では,時間経過情報を活用した深層学習手法を提案する。
本手法では, 自己注意に基づく時間的畳み込みネットワーク(TCN)を用いて, 疾患の軌跡を最も反映した表現を学習する。
ビジョン変換器は、単点画像から特徴を抽出するために、自己教師型で事前訓練される。
論文 参考訳（メタデータ） (2022-03-02T22:11:07Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳（メタデータ） (2020-10-20T04:30:09Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。