論文の概要: Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion
- arxiv url: http://arxiv.org/abs/2406.02477v1
- Date: Tue, 4 Jun 2024 16:47:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 15:20:58.461142
- Title: Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion
- Title（参考訳）: 腰部脊柱管内MRIにおける遅発性拡散像の検討
- Authors: Colin Hansen, Simas Glinskis, Ashwin Raju, Micha Kornreich, JinHyeong Park, Jayashri Pawar, Richard Herzog, Li Zhang, Benjamin Odry,
- Abstract要約: 病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。
腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
- 参考スコア（独自算出の注目度）: 4.410798232767917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data driven models for automated diagnosis in radiology suffer from insufficient and imbalanced datasets due to low representation of pathology in a population and the cost of expert annotations. Datasets can be bolstered through data augmentation. However, even when utilizing a full suite of transformations during model training, typical data augmentations do not address variations in human anatomy. An alternative direction is to synthesize data using generative models, which can potentially craft datasets with specific attributes. While this holds promise, commonly used generative models such as Generative Adversarial Networks may inadvertently produce anatomically inaccurate features. On the other hand, diffusion models, which offer greater stability, tend to memorize training data, raising concerns about privacy and generative diversity. Alternatively, inpainting has the potential to augment data through directly inserting pathology in medical images. However, this approach introduces a new challenge: accurately merging the generated pathological features with the surrounding anatomical context. While inpainting is a well established method for addressing simple lesions, its application to pathologies that involve complex structural changes remains relatively unexplored. We propose an efficient method for inpainting pathological features onto healthy anatomy in MRI through voxelwise noise scheduling in a latent diffusion model. We evaluate the method's ability to insert disc herniation and central canal stenosis in lumbar spine sagittal T2 MRI, and it achieves superior Frechet Inception Distance compared to state-of-the-art methods.
- Abstract（参考訳）: 放射線学における自動診断のためのデータ駆動モデルは、集団における病理の表現の低さと専門家アノテーションのコストにより、不十分で不均衡なデータセットに悩まされる。
データセットは、データ拡張によって強化される。
しかしながら、モデルトレーニング中に完全な変換スイートを利用する場合であっても、典型的なデータ拡張は人間の解剖学のバリエーションに対処しない。
別の方法は、生成モデルを使用してデータを合成することであり、特定の属性でデータセットを作成できる可能性がある。
このことは約束するが、ジェネレーティブ・アドバイサル・ネットワークのような一般的な生成モデルは、必然的に解剖学的に不正確な特徴を生み出す可能性がある。
一方、より安定性の高い拡散モデルでは、トレーニングデータを記憶し、プライバシや生成多様性に関する懸念を提起する傾向がある。
あるいは、医療画像に病理を直接挿入することで、データの増大の可能性を秘めている。
しかし、このアプローチでは、発生した病理特徴と周囲の解剖学的コンテキストを正確にマージする、という新しい課題がもたらされる。
インペインティングは単純な病変に対処する方法として確立されているが、複雑な構造変化を含む病理学への応用はいまだに未解明のままである。
潜伏拡散モデルにおけるボクセルワイドノイズスケジューリングにより,MRIの健全な解剖学に病理学的特徴を塗布する効率的な手法を提案する。
腰椎椎間板ヘルニアと中心管狭窄を診断し, 術式と比較してFrechet Inception Distanceが良好である。
関連論文リスト
- Comparative Analysis of Diffusion Generative Models in Computational Pathology [11.698817924231854]
拡散生成モデル(DGM)はコンピュータビジョンの分野における新たなトピックとして急速に浮上している。
本稿では,病的データセットに適用された拡散法について,詳細な比較分析を行った。
我々の分析は、様々な視野(FOV)を持つデータセットにまで拡張し、DGMが高品質な合成データを生成するのに非常に有効であることを明らかにした。
論文 参考訳（メタデータ） (2024-11-24T05:09:43Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly
Detection [8.737589725372398]
PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。
本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。
我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2023-03-15T08:54:20Z) - 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) - Fast Unsupervised Brain Anomaly Detection and Segmentation with
Diffusion Models [1.6352599467675781]
脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。
拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
論文 参考訳（メタデータ） (2022-06-07T17:30:43Z) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳（メタデータ） (2021-05-20T13:13:29Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。