論文の概要: Masked Conditional Diffusion Models for Image Analysis with Application
to Radiographic Diagnosis of Infant Abuse
- arxiv url: http://arxiv.org/abs/2311.13688v1
- Date: Wed, 22 Nov 2023 20:50:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 01:24:20.775446
- Title: Masked Conditional Diffusion Models for Image Analysis with Application
to Radiographic Diagnosis of Infant Abuse
- Title（参考訳）: 画像解析のためのマスキング条件拡散モデルと乳幼児虐待のx線診断への応用
- Authors: Shaoju Wu, Sila Kurugol and Andy Tsai
- Abstract要約: 異所性病変(Metaphyseal lesion, CML)は、乳幼児の虐待に特異的な障害である。
放射線技師がこれらの微妙な骨折を検知するためには、異常な遠位部X線写真にフラグを付けるモデルを開発する必要がある。
本稿では,データ拡張のための新しい生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 1.1312694710004312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classic metaphyseal lesion (CML) is a distinct injury that is highly
specific for infant abuse. It commonly occurs in the distal tibia. To aid
radiologists detect these subtle fractures, we need to develop a model that can
flag abnormal distal tibial radiographs (i.e. those with CMLs). Unfortunately,
the development of such a model requires a large and diverse training database,
which is often not available. To address this limitation, we propose a novel
generative model for data augmentation. Unlike previous models that fail to
generate data that span the diverse radiographic appearance of the distal
tibial CML, our proposed masked conditional diffusion model (MaC-DM) not only
generates realistic-appearing and wide-ranging synthetic images of the distal
tibial radiographs with and without CMLs, it also generates their associated
segmentation labels. To achieve these tasks, MaC-DM combines the weighted
segmentation masks of the tibias and the CML fracture sites as additional
conditions for classifier guidance. The augmented images from our model
improved the performances of ResNet-34 in classifying normal radiographs and
those with CMLs. Further, the augmented images and their associated
segmentation masks enhanced the performance of the U-Net in labeling areas of
the CMLs on distal tibial radiographs.
- Abstract（参考訳）: 古典的中生代病変(CML)は乳児の虐待に特異的な障害である。
典型的には遠位骨に発生する。
放射線技師がこれらの微妙な骨折を検出するのを助けるためには、異常な遠位部X線写真(すなわちCMLを持つもの)にフラグを付けるモデルを開発する必要がある。
残念なことに、そのようなモデルの開発には大規模で多様なトレーニングデータベースが必要である。
この制限に対処するため,データ拡張のための新しい生成モデルを提案する。
提案するマスキング条件拡散モデル (mac-dm) は,cmlの有無にかかわらず, 遠位骨幹部の合成画像を生成するだけでなく, 関連するセグメンテーションラベルも生成する。
これらの課題を達成するために、mac-dmは、分類指導のための追加条件として足骨の重み付きセグメンテーションマスクとcml骨折部位を組み合わせる。
本モデルによる拡張画像により,通常のラジオグラフィーとCMLの分類におけるResNet-34の性能が向上した。
さらに,拡張画像とそれに伴うセグメンテーションマスクは,骨遠位端x線写真におけるcmlのラベリング領域におけるu-netの性能を高めた。
関連論文リスト
- Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models [0.0]
医用画像の深層学習モデルにおける画像取得パラメータ(IAP)の変動による一般化性とロバスト性の問題
患者解剖を変更せずに異なるIAPをシミュレートするMR画像を生成するために, 条件付き縮退拡散生成モデル(cDDGM)を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T11:29:41Z) - BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T13:18:10Z) - Modality Cycles with Masked Conditional Diffusion for Unsupervised
Anomaly Segmentation in MRI [2.5847188023177403]
教師なしの異常セグメンテーションは、トレーニング中に処理されたパターンとは異なるパターンを検出することを目的としている。
本稿では,マルチモーダルMRIにおける様々なパターンにまたがる異常のセグメンテーションを可能にするMMCCD(Masked Modality Cycles with Conditional Diffusion)を提案する。
本稿では,画像再構成とデノナイズに基づく教師なし手法と,オートエンコーダや拡散モデルとの比較を行った。
論文 参考訳（メタデータ） (2023-08-30T17:16:02Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Where is the disease? Semi-supervised pseudo-normality synthesis from an
abnormal image [24.547317269668312]
現実的な擬似正規画像を生成するための半教師付き医用画像生成学習ネットワーク(SMILE)を提案する。
我々のモデルは、データ拡張タスクにおいて最大6%、高品質な画像の生成において最大3%、最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2021-06-24T05:56:41Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-13T11:20:31Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。