論文の概要: Polyp-DDPM: Diffusion-Based Semantic Polyp Synthesis for Enhanced Segmentation

• arxiv url: http://arxiv.org/abs/2402.04031v1
• Date: Tue, 6 Feb 2024 14:26:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 14:29:00.103968
• Title: Polyp-DDPM: Diffusion-Based Semantic Polyp Synthesis for Enhanced Segmentation
• Title（参考訳）: Polyp-DDPM:拡張セグメンテーションのための拡散型セマンティックポリープ合成
• Authors: Zolnamar Dorjsembe, Hsing-Kuo Pao and Furen Xiao
• Abstract要約: Polyp-DDPMは,マスク上に条件付きポリプのリアルな画像を生成する拡散法である。 我々のアプローチは、医療画像に関連するデータ制限、高アノテーションコスト、プライバシー問題といった課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces Polyp-DDPM, a diffusion-based method for generating realistic images of polyps conditioned on masks, aimed at enhancing the segmentation of gastrointestinal (GI) tract polyps. Our approach addresses the challenges of data limitations, high annotation costs, and privacy concerns associated with medical images. By conditioning the diffusion model on segmentation masks-binary masks that represent abnormal areas-Polyp-DDPM outperforms state-of-the-art methods in terms of image quality (achieving a Frechet Inception Distance (FID) score of 78.47, compared to scores above 83.79) and segmentation performance (achieving an Intersection over Union (IoU) of 0.7156, versus less than 0.6694 for synthetic images from baseline models and 0.7067 for real data). Our method generates a high-quality, diverse synthetic dataset for training, thereby enhancing polyp segmentation models to be comparable with real images and offering greater data augmentation capabilities to improve segmentation models. The source code and pretrained weights for Polyp-DDPM are made publicly available at https://github.com/mobaidoctor/polyp-ddpm.
• Abstract（参考訳）: 本研究は, 消化管ポリープのセグメンテーション向上を目的とした, マスク上のポリプの現実的な画像生成のための拡散ベース手法であるpolyp-ddpmを提案する。 我々のアプローチは、医療画像に関連するデータ制限、高アノテーションコスト、プライバシーに関する課題に対処する。 異常領域を表すセグメンテーションマスク-バイナリマスクの拡散モデルを条件付けすることにより、ポリプ-DDPMは画像品質(フレシェインセプション距離(FID)スコアが78.47、スコアが83.79以上)とセグメンテーション性能(インターセクションオーバーユニオン(IoU)が0.7156、ベースラインモデルの合成画像が0.6694、実データが0.6767と、最先端の手法よりも優れている。 提案手法は,高品質で多様な合成データセットを生成し,実画像に匹敵するポリプセグメンテーションモデルを強化し,セグメンテーションモデルを改善するためのデータ拡張機能を提供する。 polyp-ddpmのソースコードと事前トレーニングされたウェイトは、https://github.com/mobaidoctor/polyp-ddpmで公開されている。

関連論文リスト

• Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing [32.30835026874521]
  日常的な臨床実践では、臨床医は位置と大きさのばらつきの両方でポリープを識別する堅牢性を示す。 自動大腸内視鏡検査において,深部分割モデルが同等の堅牢性を達成できるかどうかは不明である。 本研究は,ポリプ上でのセグメンテーションモデルのロバスト性について,様々な属性と健全なサンプルを用いて評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-22T06:30:37Z)
• Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency [1.4991956341367338]
  本稿では,インスタンス正規化とインスタンス選択白化(ISW)を用いて,ドメインの一般化を改善する手法を提案する。 本研究では,EndoUDA BarrettのEsophagusとEndoUDA polypsの2つのデータセットに対するアプローチを評価し,その性能を3つの最先端(SOTA)手法と比較した。
  論文  参考訳（メタデータ） (2024-09-19T04:10:04Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Mask-conditioned latent diffusion for generating gastrointestinal polyp images [2.027538200191349]
  本研究では,与えられたセグメンテーションマスクに条件付き合成GIポリプ画像を生成する条件付きDPMフレームワークを提案する。 本システムでは,ポリプの接地真実マスクを用いて,無限個の高忠実度合成ポリプ画像を生成することができる。 以上の結果から,実データと合成データの両方からなるトレーニングデータから,DeepLabv3+から0.7751の最適マイクロイモージョンIOUが得られた。
  論文  参考訳（メタデータ） (2023-04-11T14:11:17Z)
• Simple U-net Based Synthetic Polyp Image Generation: Polyp to Negative and Negative to Polyp [5.943584566266871]
  合成ポリープ生成は、医療データのプライバシー問題を克服するための良い代替手段である。 本稿では,実画像と類似した合成ポリプ画像を生成するディープラーニングベースのポリプ画像生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-20T08:47:44Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos [76.37907640271806]
  大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。 収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-12-31T10:33:09Z)

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。