論文の概要: IgCONDA-PET: Implicitly-Guided Counterfactual Diffusion for Detecting Anomalies in PET Images

• arxiv url: http://arxiv.org/abs/2405.00239v1
• Date: Tue, 30 Apr 2024 23:09:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 16:56:48.436944
• Title: IgCONDA-PET: Implicitly-Guided Counterfactual Diffusion for Detecting Anomalies in PET Images
• Title（参考訳）: IgCONDA-PETによるPET画像の異常検出
• Authors: Shadab Ahamed, Yixi Xu, Arman Rahmim,
• Abstract要約: PET異常セグメンテーションネットワークをトレーニングするためのピクセルレベルのアノテートデータの必要性を最小限に抑えることが重要である。 PET画像中の異常を検出するために,弱教師付きかつ間接ガイド付きCOuNterfactual diffusion modelを提案する。
• 参考スコア（独自算出の注目度）: 0.840320502420283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Minimizing the need for pixel-level annotated data for training PET anomaly segmentation networks is crucial, particularly due to time and cost constraints related to expert annotations. Current un-/weakly-supervised anomaly detection methods rely on autoencoder or generative adversarial networks trained only on healthy data, although these are more challenging to train. In this work, we present a weakly supervised and Implicitly guided COuNterfactual diffusion model for Detecting Anomalies in PET images, branded as IgCONDA-PET. The training is conditioned on image class labels (healthy vs. unhealthy) along with implicit guidance to generate counterfactuals for an unhealthy image with anomalies. The counterfactual generation process synthesizes the healthy counterpart for a given unhealthy image, and the difference between the two facilitates the identification of anomaly locations. The code is available at: https://github.com/igcondapet/IgCONDA-PET.git
• Abstract（参考訳）: PETの異常セグメンテーションネットワークを訓練するためのピクセルレベルのアノテートデータの必要性を最小化することは、特に専門家のアノテーションに関連する時間とコストの制約のために重要である。 現在の非/弱監視型異常検出法は、トレーニングが困難であるにもかかわらず、健全なデータのみに基づいて訓練されたオートエンコーダまたは生成的敵ネットワークに依存している。 本研究は,PET画像中の異常をIgCONDA-PETと銘打って検出するための,弱教師付きかつ暗黙的に導出されたCouNterfactual diffusion Modelを提案する。 トレーニングは画像クラスラベル(健康対不健康)に条件付けされ、異常を伴う不健康な画像に対する偽物を生成する暗黙のガイダンスが提供される。 対物生成プロセスは、与えられた不健康な画像に対して健全な相手を合成し、両者の違いは異常な位置の同定を容易にする。 コードは、https://github.com/igcondapet/IgCONDA-PET.gitで入手できる。

関連論文リスト

• LegoPET: Hierarchical Feature Guided Conditional Diffusion for PET Image Reconstruction [0.7366405857677227]
  ホログラムからの高画質PET画像再構成のための階層的特徴ガイド付き条件拡散モデルであるLegoPETを紹介する。 LegoPETは、cDPMの性能を向上するだけでなく、最近のDLベースのPET画像再構成技術を、視覚的品質とピクセルレベルのPSNR/SSIMメトリクスで上回っている。
  論文  参考訳（メタデータ） (2024-11-25T18:05:34Z)
• PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network [14.381830012670969]
  近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。 これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。 SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2023-10-24T06:43:56Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• CG-3DSRGAN: A classification guided 3D generative adversarial network for image quality recovery from low-dose PET images [10.994223928445589]
  PET画像では, トレーサー線量による高放射能が主な関心事である。 投与量を減少させると、画像の質が不十分になる。 CNNを用いた低線量PET合成法が開発されている。
  論文  参考訳（メタデータ） (2023-04-03T05:39:02Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• FlowNet-PET: Unsupervised Learning to Perform Respiratory Motion Correction in PET Imaging [11.451728125088113]
  FlowNet-PETは、PET画像における呼吸運動を補正するための解釈可能で教師なしのディープラーニング技術である。 概念実証として,FlowNet-PETを擬人化デジタルファントムデータに適用した。
  論文  参考訳（メタデータ） (2022-05-27T18:18:19Z)
• 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)
• Improving and Simplifying Pattern Exploiting Training [81.77863825517511]
  Pattern Exploiting Training (PET)は、数発学習にパターンを利用する最近のアプローチである。 本稿では,未ラベルデータのないショットラーニングに焦点をあて,ADAPETを導入する。 ADAPETは、タスク固有のラベルなしデータなしでSuperGLUE上のPETより優れています。
  論文  参考訳（メタデータ） (2021-03-22T15:52:45Z)
• ASL to PET Translation by a Semi-supervised Residual-based Attention-guided Convolutional Neural Network [3.2480194378336464]
  動脈スピンラベリング(ASL)MRIは、脳の血液力学的測定のための非侵襲的、非放射能的、および比較的安価なイメージング技術です。 本稿では,ASLをPET画像に変換する畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-08T22:06:02Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。