Fugu-MT 論文翻訳(概要): Bi-level Guided Diffusion Models for Zero-Shot Medical Imaging Inverse Problems

論文の概要: Bi-level Guided Diffusion Models for Zero-Shot Medical Imaging Inverse Problems

arxiv url: http://arxiv.org/abs/2404.03706v1
Date: Thu, 4 Apr 2024 10:36:56 GMT
ステータス: 処理完了
システム内更新日: 2024-04-08 17:45:28.736144
Title: Bi-level Guided Diffusion Models for Zero-Shot Medical Imaging Inverse Problems
Title（参考訳）: ゼロショット医療画像逆問題に対するバイレベル誘導拡散モデル
Authors: Hossein Askari, Fred Roosta, Hongfu Sun,
Abstract要約: 逆問題は、不完全でノイズの多い測定から高品質な画像を推測することを目的としている。拡散モデルは最近、そのような実践的な課題に対する有望なアプローチとして現れました。このアプローチにおける中心的な課題は、測定情報に従うために無条件の予測をどのように導くかである。 BGDM(UnderlinetextbfBi-level UnderlineGuided UnderlineDiffusion Underline Models)を提案する。
参考スコア（独自算出の注目度）: 4.82425721275731
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the realm of medical imaging, inverse problems aim to infer high-quality images from incomplete, noisy measurements, with the objective of minimizing expenses and risks to patients in clinical settings. The Diffusion Models have recently emerged as a promising approach to such practical challenges, proving particularly useful for the zero-shot inference of images from partially acquired measurements in Magnetic Resonance Imaging (MRI) and Computed Tomography (CT). A central challenge in this approach, however, is how to guide an unconditional prediction to conform to the measurement information. Existing methods rely on deficient projection or inefficient posterior score approximation guidance, which often leads to suboptimal performance. In this paper, we propose \underline{\textbf{B}}i-level \underline{G}uided \underline{D}iffusion \underline{M}odels ({BGDM}), a zero-shot imaging framework that efficiently steers the initial unconditional prediction through a \emph{bi-level} guidance strategy. Specifically, BGDM first approximates an \emph{inner-level} conditional posterior mean as an initial measurement-consistent reference point and then solves an \emph{outer-level} proximal optimization objective to reinforce the measurement consistency. Our experimental findings, using publicly available MRI and CT medical datasets, reveal that BGDM is more effective and efficient compared to the baselines, faithfully generating high-fidelity medical images and substantially reducing hallucinatory artifacts in cases of severe degradation.
Abstract（参考訳）: 医療画像の分野では、逆問題は、医療現場の患者に対する費用とリスクを最小限に抑えることを目的として、不完全でノイズの多い測定結果から高品質な画像を推測することを目的としている。拡散モデル(Diffusion Models)は近年,磁気共鳴画像(MRI)とCT(CT)で部分的に取得した画像のゼロショット推論に特に有用であることが証明された。しかし、このアプローチにおける中心的な課題は、測定情報に従うために無条件の予測をどのように導くかである。既存の手法は、欠点のある投影法や非効率な後部スコア近似法に依存しており、しばしば準最適性能をもたらす。本稿では,ゼロショット画像フレームワークである \underline{\textbf{B}}i-level \underline{G}uided \underline{D}iffusion \underline{M}odels ({BGDM})を提案する。具体的には、BGDM はまず、最初の測定一貫性のある基準点として \emph{inner-level} 条件後平均を近似し、次に、測定一貫性を強化するために \emph{outer-level} 近位最適化の目的を解く。以上の結果から,BGDMは高忠実度医療像を忠実に生成し,高度に劣化した場合の幻覚的アーティファクトを著しく低減し,ベースラインよりも効率的かつ効率的であることが示唆された。

関連論文リスト

Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文参考訳（メタデータ） (2024-08-05T18:24:48Z)
Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文参考訳（メタデータ） (2024-05-27T13:44:53Z)
Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-08T11:26:49Z)
UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation [59.91293113930909]
超音波による組織散乱の可視化と定量化は中上イメージングが約束している。既存の手法では、最適なウィンドウサイズの選択に苦労し、推定の不安定性に悩まされている。提案手法は,中上パラメータ推定のための高精度でクローズドな形状推定器であるUNICORNを提案する。
論文参考訳（メタデータ） (2024-03-10T18:05:41Z)
B-Spine: Learning B-Spline Curve Representation for Robust and Interpretable Spinal Curvature Estimation [50.208310028625284]
脊椎のB-スプライン曲線表現を学習するための新しいディープラーニングパイプラインであるB-Spineを提案する。低画質X線画像から脊髄曲率推定のためのコブ角度を推定する。
論文参考訳（メタデータ） (2023-10-14T15:34:57Z)
One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文参考訳（メタデータ） (2022-12-07T13:39:23Z)
MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-02T20:25:26Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文参考訳（メタデータ） (2021-11-15T05:41:12Z)
Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文参考訳（メタデータ） (2021-11-01T15:31:32Z)
A Lightweight Structure Aimed to Utilize Spatial Correlation for Sparse-View CT Reconstruction [6.8438089867929905]
重度の画像ノイズやストレッチアーティファクトは、低線量プロトコルの主要な問題であることが判明した。本論文では,現在普及しているアルゴリズムの限界を破るデュアルドメイン深層学習手法を提案する。提案手法は,40.305のPSNRと0.948のSSIMに到達し,高モデルモビリティを確保しながら,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-01-19T13:26:17Z)

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。