Fugu-MT 論文翻訳(概要): Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI

論文の概要: Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI

arxiv url: http://arxiv.org/abs/2405.04974v1
Date: Wed, 8 May 2024 11:26:49 GMT
ステータス: 処理完了
システム内更新日: 2024-05-09 14:44:45.404594
Title: Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI
Title（参考訳）: 脳MRIにおける病変検出のための離散性に基づく拡散モデル
Authors: Keqiang Fan, Xiaohao Cai, Mahesan Niranjan,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.8420387715849447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion probabilistic models (DPMs) have exhibited significant effectiveness in computer vision tasks, particularly in image generation. However, their notable performance heavily relies on labelled datasets, which limits their application in medical images due to the associated high-cost annotations. Current DPM-related methods for lesion detection in medical imaging, which can be categorized into two distinct approaches, primarily rely on image-level annotations. The first approach, based on anomaly detection, involves learning reference healthy brain representations and identifying anomalies based on the difference in inference results. In contrast, the second approach, resembling a segmentation task, employs only the original brain multi-modalities as prior information for generating pixel-level annotations. In this paper, our proposed model - discrepancy distribution medical diffusion (DDMD) - for lesion detection in brain MRI introduces a novel framework by incorporating distinctive discrepancy features, deviating from the conventional direct reliance on image-level annotations or the original brain modalities. In our method, the inconsistency in image-level annotations is translated into distribution discrepancies among heterogeneous samples while preserving information within homogeneous samples. This property retains pixel-wise uncertainty and facilitates an implicit ensemble of segmentation, ultimately enhancing the overall detection performance. Thorough experiments conducted on the BRATS2020 benchmark dataset containing multimodal MRI scans for brain tumour detection demonstrate the great performance of our approach in comparison to state-of-the-art methods.
Abstract（参考訳）: 拡散確率モデル(DPM)はコンピュータビジョンタスク、特に画像生成において大きな効果を発揮している。しかし、そ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、関連する高コストアノテーションのため、医療画像への適用を制限している。医用画像における病変検出の現在のDPM関連手法は、2つの異なるアプローチに分類できるが、主に画像レベルのアノテーションに依存している。最初のアプローチは、異常検出に基づいて、健康な脳の表現を学習し、推論結果の違いに基づいて異常を識別する。対照的に、セグメンテーションタスクに似た第2のアプローチでは、元の脳のマルチモーダルのみを、ピクセルレベルのアノテーションを生成するための事前情報として採用している。本稿では,脳MRIにおける病変検出のための距離分布医療拡散(DDMD)モデルについて,従来の画像レベルのアノテーションや元の脳のモダリティへの直接的な依存から逸脱した特徴を取り入れた新しい枠組みを提案する。本手法では,画像レベルのアノテーションの不整合を異種サンプル間の分布不一致に変換し,同種サンプル内の情報を保存する。この特性は画素単位での不確実性を保ち、セグメンテーションの暗黙のアンサンブルを促進し、最終的に全体的な検出性能を向上させる。脳腫瘍検出のためのマルチモーダルMRIスキャンを含むBRATS2020ベンチマークデータセットで行った詳細な実験は、最先端の手法と比較して、我々のアプローチの優れた性能を示している。

関連論文リスト

Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
論文参考訳（メタデータ） (2024-01-02T19:51:49Z)
AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
論文参考訳（メタデータ） (2023-10-10T08:44:47Z)
Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文参考訳（メタデータ） (2023-09-12T03:05:00Z)
DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-03-19T09:15:45Z)
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 role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
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)
Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information [3.7273619690170796]
医用画像における異常検出は、疾患の関連バイオマーカーを正常な組織と区別することである。深い教師付き学習手法は様々な検出課題に有意な可能性があるが、その性能は医療画像分野では限られている。本稿では,マルチコントラストMRIにおける画素ワイド異常検出のための教師なし学習フレームワークを開発した。
論文参考訳（メタデータ） (2021-05-02T13:05:36Z)
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)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。