Fugu-MT 論文翻訳(概要): Physics-Inspired Generative Models in Medical Imaging: A Review

論文の概要: Physics-Inspired Generative Models in Medical Imaging: A Review

arxiv url: http://arxiv.org/abs/2407.10856v2
Date: Fri, 23 Aug 2024 14:13:19 GMT
ステータス: 処理完了
システム内更新日: 2024-08-26 19:17:18.811664
Title: Physics-Inspired Generative Models in Medical Imaging: A Review
Title（参考訳）: 物理にインスパイアされた医用画像生成モデル : 概観
Authors: Dennis Hein, Afshin Bozorgpour, Dorit Merhof, Ge Wang,
Abstract要約: 物理にインスパイアされた生成モデル(GM)はベイジアン法を強化し、医用画像における優れた有用性を約束する。画像再構成、画像生成、画像解析を含む医用画像における物理にインスパイアされたGMの主な応用について述べる。将来の研究の方向性には、物理学にインスパイアされたGMの統合、ビジョン・ランゲージ・モデル(VLM)の統合、GMの新たな応用の可能性などが含まれる。
参考スコア（独自算出の注目度）: 5.499670421465509
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Physics-inspired Generative Models (GMs), in particular Diffusion Models (DMs) and Poisson Flow Models (PFMs), enhance Bayesian methods and promise great utility in medical imaging. This review examines the transformative role of such generative methods. First, a variety of physics-inspired GMs, including Denoising Diffusion Probabilistic Models (DDPMs), Score-based Diffusion Models (SDMs), and Poisson Flow Generative Models (PFGMs and PFGM++), are revisited, with an emphasis on their accuracy, robustness as well as acceleration. Then, major applications of physics-inspired GMs in medical imaging are presented, comprising image reconstruction, image generation, and image analysis. Finally, future research directions are brainstormed, including unification of physics-inspired GMs, integration with Vision-Language Models (VLMs), and potential novel applications of GMs. Since the development of generative methods has been rapid, this review will hopefully give peers and learners a timely snapshot of this new family of physics-driven generative models and help capitalize their enormous potential for medical imaging.
Abstract（参考訳）: 物理にインスパイアされた生成モデル(GM)、特に拡散モデル(DM)とポアソンフローモデル(PFM)はベイズ的手法を強化し、医用画像における優れた有用性を約束する。本稿では,このような生成手法の転換的役割について概説する。第一に、Denoising Diffusion Probabilistic Models (DDPMs)、Score-based Diffusion Models (SDMs)、Poisson Flow Generative Models (PFGMsおよびPFGM++)など、物理学に触発された様々なGMが、その正確性、堅牢性、加速度に重点を置いて再考される。次に, 画像再構成, 画像生成, 画像解析など, 物理に着想を得たGMの医療画像への応用について述べる。最後に、将来の研究方向は、物理学にインスパイアされたGMの統合、ビジョン・ランゲージ・モデル(VLM)の統合、GMの新たな応用の可能性など、ブレインストーミングされている。生成法の開発は急速に進んでいるので、このレビューは、新しい物理駆動型生成モデルのタイムリーなスナップショットを提供し、医療画像の潜在能力を最大限に活用することを期待している。

関連論文リスト

Deep Generative Models for 3D Medical Image Synthesis [1.931185411277237]
深部生成モデリングは、現実的な医療画像を合成するための強力なツールとして登場した。本章では3次元医用画像合成のための様々な深部生成モデルについて考察する。
論文参考訳（メタデータ） (2024-10-23T08:33:23Z)
Towards World Simulator: Crafting Physical Commonsense-Based Benchmark for Video Generation [51.750634349748736]
テキスト・ツー・ビデオ(T2V)モデルは複雑なプロンプトの可視化に大きく貢献している。しかし、直感的な物理を正確に表現するこれらのモデルの能力はほとんど解明されていない。本稿では,T2V生成における物理コモンセンスの正しさを評価するためにPhyGenBenchを導入する。
論文参考訳（メタデータ） (2024-10-07T17:56:04Z)
Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
論文参考訳（メタデータ） (2023-06-09T03:02:36Z)
Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
論文参考訳（メタデータ） (2023-06-08T18:04:13Z)
Trade-offs in Fine-tuned Diffusion Models Between Accuracy and Interpretability [5.865936619867771]
生成拡散モデルにおける従来の計測値とモデル解釈可能性による画像の忠実度との間に連続的なトレードオフが生じる。我々は、真に解釈可能な生成モデルを開発するための設計原則のセットを提示する。
論文参考訳（メタデータ） (2023-03-31T09:11:26Z)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)
Physics-Infused Fuzzy Generative Adversarial Network for Robust Failure Prognosis [0.0]
ファジィGANに基づく手法はファジィ含意の集約に物理学に基づくモデルを組み込む。ベアリング問題の結果は、GANの健康をモデル化する能力を改善するためにファジィ論理モデルに物理ベースのアグリゲーションを追加する効果を示す。
論文参考訳（メタデータ） (2022-06-15T18:50:16Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Flow-based Generative Models for Learning Manifold to Manifold Mappings [39.60406116984869]
本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
論文参考訳（メタデータ） (2020-12-18T02:19:18Z)
Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs [14.501812971529137]
オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
論文参考訳（メタデータ） (2020-05-29T18:45:37Z)

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。