論文の概要: HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2407.03548v1
• Date: Wed, 3 Jul 2024 23:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 19:41:16.663474
• Title: HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation
• Title（参考訳）: HiDiff: 医用画像分割のためのハイブリッド拡散フレームワーク
• Authors: Tao Chen, Chenhui Wang, Zhihao Chen, Yiming Lei, Hongming Shan,
• Abstract要約: HiDiffは医療画像セグメンテーションのためのハイブリッド拡散フレームワークである。 既存の識別的セグメンテーションモデルと新しい生成的拡散モデルの強みを相乗化することができる。 小さなオブジェクトをセグメンテーションし、新しいデータセットに一般化する。
• 参考スコア（独自算出の注目度）: 16.906987804797975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation has been significantly advanced with the rapid development of deep learning (DL) techniques. Existing DL-based segmentation models are typically discriminative; i.e., they aim to learn a mapping from the input image to segmentation masks. However, these discriminative methods neglect the underlying data distribution and intrinsic class characteristics, suffering from unstable feature space. In this work, we propose to complement discriminative segmentation methods with the knowledge of underlying data distribution from generative models. To that end, we propose a novel hybrid diffusion framework for medical image segmentation, termed HiDiff, which can synergize the strengths of existing discriminative segmentation models and new generative diffusion models. HiDiff comprises two key components: discriminative segmentor and diffusion refiner. First, we utilize any conventional trained segmentation models as discriminative segmentor, which can provide a segmentation mask prior for diffusion refiner. Second, we propose a novel binary Bernoulli diffusion model (BBDM) as the diffusion refiner, which can effectively, efficiently, and interactively refine the segmentation mask by modeling the underlying data distribution. Third, we train the segmentor and BBDM in an alternate-collaborative manner to mutually boost each other. Extensive experimental results on abdomen organ, brain tumor, polyps, and retinal vessels segmentation datasets, covering four widely-used modalities, demonstrate the superior performance of HiDiff over existing medical segmentation algorithms, including the state-of-the-art transformer- and diffusion-based ones. In addition, HiDiff excels at segmenting small objects and generalizing to new datasets. Source codes are made available at https://github.com/takimailto/HiDiff.
• Abstract（参考訳）: 深層学習(DL)技術の急速な発展に伴い,医用画像のセグメンテーションが著しく進歩した。 既存のDLベースのセグメンテーションモデルは一般的に差別的であり、入力画像からセグメンテーションマスクへのマッピングを学習することを目指している。 しかし,これらの識別法は,不安定な特徴空間に悩まされ,基礎となるデータ分布や固有のクラス特性を無視する。 本研究では,識別的セグメンテーション手法と,生成モデルに基づくデータ分布の知識を補完する手法を提案する。 そこで本研究では,既存の識別的セグメンテーションモデルと新たな生成的拡散モデルの強みを相乗化可能な,医用画像セグメンテーションのためのハイブリッド拡散フレームワークHiDiffを提案する。 HiDiffは、差別的セグメンタと拡散精製器の2つの重要なコンポーネントから構成される。 まず,従来のセグメンテーションモデルを識別セグメンテーションとして利用し,このセグメンテーションマスクを拡散精錬機に使用する。 第2に,拡散精錬機としての新たなバイナリベルヌーイ拡散モデル(BBDM)を提案し,基礎となるデータ分布をモデル化することにより,効果的に,効率的に,インタラクティブにセグメンテーションマスクを改良することができる。 第3に、セグメンタとBBDMを相互に強化するために、相互に協調的に訓練する。 腹部臓器, 脳腫瘍, ポリープ, 網膜血管セグメンテーションデータセットの広範囲にわたる実験結果は, 4つの広く使用されているモダリティを網羅し, 最先端のトランスフォーマーや拡散型セグメンテーションアルゴリズムを含む既存の医療セグメンテーションアルゴリズムよりも優れたハイディフ性能を示した。 さらに、HiDiffは小さなオブジェクトをセグメンテーションし、新しいデータセットに一般化する。 ソースコードはhttps://github.com/takimailto/HiDiff.comで公開されている。

関連論文リスト

• FDiff-Fusion:Denoising diffusion fusion network based on fuzzy learning for 3D medical image segmentation [21.882697860720803]
  3次元医用画像分割のためのファジィ学習に基づく拡散融合ネットワーク(FDiff-Fusion)を提案する。 従来のU-Netネットワークにデノナイズ拡散モデルを統合することにより、入力された医用画像からリッチなセマンティック情報を効果的に抽出することができる。 その結果、FDiff-Fusionは2つのデータセット上でDiceスコアとHD95距離を大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2024-07-22T02:27:01Z)
• FreeSeg-Diff: Training-Free Open-Vocabulary Segmentation with Diffusion Models [56.71672127740099]
  我々は,閉鎖語彙データセットのトレーニングモデルによって伝統的に解決されるイメージセグメンテーションの課題に焦点をあてる。 我々は、ゼロショットのオープン語彙セグメンテーションのために、異なる、比較的小さなオープンソース基盤モデルを活用している。 当社のアプローチ(別名FreeSeg-Diff)は、トレーニングに依存しないもので、Pascal VOCとCOCOデータセットの両方で多くのトレーニングベースのアプローチより優れています。
  論文  参考訳（メタデータ） (2024-03-29T10:38:25Z)
• DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
  DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。 これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。 このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
  論文  参考訳（メタデータ） (2024-02-03T06:49:42Z)
• MosaicFusion: Diffusion Models as Data Augmenters for Large Vocabulary Instance Segmentation [104.03166324080917]
  MosaicFusionは、大語彙のインスタンスセグメンテーションのための、単純で効果的な拡散に基づくデータ拡張手法である。 本手法はトレーニングフリーであり,ラベル管理に依存しない。 LVISロングテールおよびオープンボキャブラリベンチマークの実験結果は、MosaicFusionが既存のインスタンスセグメンテーションモデルの性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2023-09-22T17:59:42Z)
• DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
  提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。 我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。 我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
  論文  参考訳（メタデータ） (2023-06-06T06:33:32Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• BerDiff: Conditional Bernoulli Diffusion Model for Medical Image Segmentation [19.036821997968552]
  医用画像分割のための条件付きベルヌーイ拡散モデル(BerDiff)を提案する。 我々のBerDiffは、最近発表された最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-04-10T07:21:38Z)
• Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
  医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。 提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。 われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
  論文  参考訳（メタデータ） (2023-03-18T04:06:18Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
  拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。 トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。 最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
  論文  参考訳（メタデータ） (2021-12-06T16:28:15Z)
• Label-Efficient Semantic Segmentation with Diffusion Models [27.01899943738203]
  拡散モデルは意味的セグメンテーションの道具としても機能することを示した。 特に、いくつかの事前訓練拡散モデルに対して、逆拡散過程のマルコフステップを実行するネットワークからの中間活性化について検討する。 これらのアクティベーションは、入力画像から意味情報を効果的にキャプチャし、セグメンテーション問題に対して優れたピクセルレベルの表現であることを示す。
  論文  参考訳（メタデータ） (2021-12-06T15:55:30Z)

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。