論文の概要: Generating Realistic Counterfactuals for Retinal Fundus and OCT Images
using Diffusion Models
- arxiv url: http://arxiv.org/abs/2311.11629v2
- Date: Mon, 4 Dec 2023 17:01:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 21:09:53.175559
- Title: Generating Realistic Counterfactuals for Retinal Fundus and OCT Images
using Diffusion Models
- Title(参考訳): 拡散モデルを用いた網膜眼底およびoct画像の現実的な偽物生成
- Authors: Indu Ilanchezian, Valentyn Boreiko, Laura K\"uhlewein, Ziwei Huang,
Murat Se\c{c}kin Ayhan, Matthias Hein, Lisa Koch, Philipp Berens
- Abstract要約: 否定的推論は、意思決定の説明や代替案の定量化のために臨床現場でしばしば用いられる。
ここでは,網膜疾患分類タスクを訓練した逆向き頑健な分類器と併用した拡散モデルを用いることで,極めて現実的な対物生成が可能であることを実証する。
ユーザスタディにおいて、ドメインの専門家は、我々の手法を用いて生成された偽物は、以前の方法から生成された偽物よりもはるかに現実的であり、実際の画像と区別できないものさえ見出した。
- 参考スコア(独自算出の注目度): 36.81751569090276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual reasoning is often used in clinical settings to explain
decisions or weigh alternatives. Therefore, for imaging based specialties such
as ophthalmology, it would be beneficial to be able to create counterfactual
images, illustrating answers to questions like "If the subject had had diabetic
retinopathy, how would the fundus image have looked?". Here, we demonstrate
that using a diffusion model in combination with an adversarially robust
classifier trained on retinal disease classification tasks enables the
generation of highly realistic counterfactuals of retinal fundus images and
optical coherence tomography (OCT) B-scans. The key to the realism of
counterfactuals is that these classifiers encode salient features indicative
for each disease class and can steer the diffusion model to depict disease
signs or remove disease-related lesions in a realistic way. In a user study,
domain experts also found the counterfactuals generated using our method
significantly more realistic than counterfactuals generated from a previous
method, and even indistinguishable from real images.
- Abstract(参考訳): 反事実推論は、意思決定の説明や代替案の重み付けにしばしば用いられる。
したがって、眼科などの画像に基づく専門分野において、被験者が糖尿病網膜症を患っていた場合、眼底像はどのように見えるか」といった疑問に対して、反現実的なイメージを作成できることは有益である。
そこで本研究では,網膜疾患分類タスクで訓練された逆向き頑健な分類器を併用した拡散モデルを用いることで,網膜基底画像と光コヒーレンストモグラフィー(OCT)Bスキャンの高現実的対物生成が可能となることを示す。
カウンターファクトリーの現実主義の鍵となるのは、これらの分類器が各病型に有意な特徴を表わし、拡散モデルを用いて病気の兆候を描写したり、疾患関連病変を現実的に除去することができることである。
ユーザスタディにおいて、ドメインの専門家は、我々の手法を用いて生成された偽物は、以前の方法から生成された偽物よりもはるかに現実的であり、実際の画像と区別できないものさえ見出した。
関連論文リスト
- Mask-guided cross-image attention for zero-shot in-silico histopathologic image generation with a diffusion model [0.10910416614141322]
拡散モデルは、シリコン内画像を生成する最先端のソリューションである。
自然画像の出現伝達拡散モデルが設計されている。
計算病理学、特に腫瘍学では、画像内のどのオブジェクトを前景と背景に分類すべきかを簡単に定義することはできない。
我々は,クラス固有のAdaIN特徴量マッチングを交互に行うために,外観伝達指導を変更することで,拡散安定画像への外観伝達モデルの適用性に寄与する。
論文 参考訳(メタデータ) (2024-07-16T12:36:26Z) - Fundus-Enhanced Disease-Aware Distillation Model for Retinal Disease
Classification from OCT Images [6.72159216082989]
OCT画像から網膜疾患分類のための基礎疾患対応蒸留モデルを提案する。
本フレームワークは, 未完成の眼底画像を用いて, OCTモデルを訓練中に強化する。
提案手法は網膜疾患分類のための単一モーダル,多モーダルおよび最先端蒸留法より優れている。
論文 参考訳(メタデータ) (2023-08-01T05:13:02Z) - Generation of Structurally Realistic Retinal Fundus Images with
Diffusion Models [1.9346186297861747]
血管構造を創出するために動脈・静脈マスクを作製し,網膜底部像を作製する条件を定めている。
提案手法はよりリアルな血管構造を持つ高品質な画像を生成することができる。
論文 参考訳(メタデータ) (2023-05-11T14:09:05Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳(メタデータ) (2023-04-29T16:11:34Z) - Adapting Pretrained Vision-Language Foundational Models to Medical
Imaging Domains [3.8137985834223502]
臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。
安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。
我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
論文 参考訳(メタデータ) (2022-10-09T01:43:08Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳(メタデータ) (2021-03-02T13:14:15Z) - 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) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳(メタデータ) (2020-05-12T08:01:16Z)
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。