論文の概要: Denoising Diffusion Models for Inpainting of Healthy Brain Tissue
- arxiv url: http://arxiv.org/abs/2402.17307v2
- Date: Wed, 23 Oct 2024 14:42:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:52:24.877143
- Title: Denoising Diffusion Models for Inpainting of Healthy Brain Tissue
- Title(参考訳): 健康な脳組織の塗布における拡散モデル
- Authors: Alicia Durrer, Philippe C. Cattin, Julia Wolleb,
- Abstract要約: 本論文は,健康な脳組織の局所的合成技術であるBraTS 2023への貢献である。
この課題の課題は、腫瘍組織を脳磁気共鳴(MR)画像の健康な組織に変換することである。
我々は、健康な組織を採取し、再び塗布されることを学ぶスライスを用いて訓練された2Dモデルを使用します。
- 参考スコア(独自算出の注目度): 0.7022492404644499
- License:
- Abstract: This paper is a contribution to the "BraTS 2023 Local Synthesis of Healthy Brain Tissue via Inpainting Challenge". The task of this challenge is to transform tumor tissue into healthy tissue in brain magnetic resonance (MR) images. This idea originates from the problem that MR images can be evaluated using automatic processing tools, however, many of these tools are optimized for the analysis of healthy tissue. By solving the given inpainting task, we enable the automatic analysis of images featuring lesions, and further downstream tasks. Our approach builds on denoising diffusion probabilistic models. We use a 2D model that is trained using slices in which healthy tissue was cropped out and is learned to be inpainted again. This allows us to use the ground truth healthy tissue during training. In the sampling stage, we replace the slices containing diseased tissue in the original 3D volume with the slices containing the healthy tissue inpainting. With our approach, we achieve comparable results to the competing methods. On the validation set our model achieves a mean SSIM of 0.7804, a PSNR of 20.3525 and a MSE of 0.0113. In future we plan to extend our 2D model to a 3D model, allowing to inpaint the region of interest as a whole without losing context information of neighboring slices.
- Abstract(参考訳): 本論文は,「塗布チャレンジによる健康脳組織の局所的合成」への貢献である。
この課題の課題は、腫瘍組織を脳磁気共鳴(MR)画像の健康な組織に変換することである。
この考え方は、MR画像が自動処理ツールで評価できるという問題に端を発するが、これらのツールの多くは健康組織の分析に最適化されている。
与えられた塗装タスクを解くことにより、病変を特徴とする画像の自動解析と、さらに下流のタスクを可能にする。
本手法は拡散確率モデルに基づく。
我々は、健康な組織を採取し、再び塗布されることを学ぶスライスを用いて訓練された2Dモデルを使用します。
これにより、トレーニング中に基礎的な真理の健全な組織を使用することができます。
サンプリング段階では,病原組織を含むスライスを,健康な組織を塗布したスライスに置き換える。
提案手法では,競合する手法に匹敵する結果が得られる。
検証セットでは、平均SSIMは0.7804、PSNRは20.3525、MSEは0.0113である。
将来、我々は2Dモデルを3Dモデルに拡張し、隣り合うスライスのコンテキスト情報を失うことなく、関心領域全体をインペイントする計画を立てる。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - MAISI: Medical AI for Synthetic Imaging [16.687814167558326]
医用画像解析は、データの不足、高アノテーションコスト、プライバシー上の懸念といった課題に直面している。
本稿では,合成画像のための医用AI(MAISI)を導入し,CT画像を生成する。
論文 参考訳(メタデータ) (2024-09-13T18:15:08Z) - Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting [3.9347915104376168]
脳の構造的整合性に影響を与える疾患のモニタリングには、磁気共鳴(MR)画像の自動解析が必要である。
画像空間で作業する最先端の2D, 擬似3D, 3D法, および3D潜伏および3Dウェーブレット拡散モデルを修正し, 正常な脳組織を合成するよう訓練する。
評価の結果,擬似3次元モデルでは,構造相似指数,ピーク信号-雑音比,平均二乗誤差が最良であることがわかった。
論文 参考訳(メタデータ) (2024-03-21T15:52:05Z) - Advancing Brain Tumor Inpainting with Generative Models [0.7499722271664147]
病気の脳スキャンから健康な脳スキャンを合成することは、汎用アルゴリズムの限界に対処するための潜在的な解決策となる。
本研究は,3次元磁気共鳴画像(MRI)データの要求を満たすために,3次元インペイントタスクと2次元インペイント手法の適用について検討する。
論文 参考訳(メタデータ) (2024-02-02T15:43:51Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - 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) - The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting [50.01582455004711]
脳腫瘍患者の場合、画像取得の時系列は通常、すでに病理的なスキャンから始まる。
多くのアルゴリズムは、健康な脳を分析し、病変を特徴とする画像の保証を提供しないように設計されている。
例えば、脳解剖学のパーセレーション、組織セグメンテーション、脳抽出のアルゴリズムがある。
そこで参加者は、損傷した脳から健康な脳スキャンを合成するための塗装技術を探る。
論文 参考訳(メタデータ) (2023-05-15T20:17:03Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - The interpretation of endobronchial ultrasound image using 3D
convolutional neural network for differentiating malignant and benign
mediastinal lesions [3.0969191504482247]
本研究の目的は,内胚葉超音波(EBUS)画像を用いて悪性病変と良性病変を鑑別することである。
我々のモデルはノイズに耐性があり、EBUSビデオの様々な画像特徴と願望を融合させることができる。
論文 参考訳(メタデータ) (2021-07-29T08:38:17Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z)
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。