論文の概要: MCDDPM: Multichannel Conditional Denoising Diffusion Model for Unsupervised Anomaly Detection in Brain MRI

• arxiv url: http://arxiv.org/abs/2409.19623v1
• Date: Sun, 29 Sep 2024 09:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 22:09:00.497896
• Title: MCDDPM: Multichannel Conditional Denoising Diffusion Model for Unsupervised Anomaly Detection in Brain MRI
• Title（参考訳）: MCDDPM:脳MRIにおける教師なし異常検出のためのマルチチャンネル条件付き拡散モデル
• Authors: Vivek Kumar Trivedi, Bheeshm Sharma, P. Balamurugan,
• Abstract要約: Denoising Diffusion Probabilistic Model (DDPM)のような生成モデルは、脳MRIスキャンで教師なしの異常検出を行う強力な代替手段として登場した。 脳MRI画像における教師なし異常検出のためのMCDDPM(Multi channel Conditional Denoising Diffusion Probabilistic Model)と呼ばれるDDPMの改良版を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in brain MRI scans using supervised deep learning methods presents challenges due to anatomical diversity and labor-intensive requirement of pixel-level annotations. Generative models like Denoising Diffusion Probabilistic Model (DDPM) and their variants like pDDPM, mDDPM, cDDPM have recently emerged to be powerful alternatives to perform unsupervised anomaly detection in brain MRI scans. These methods leverage frame-level labels of healthy brains to generate healthy tissues in brain MRI scans. During inference, when an anomalous (or unhealthy) scan image is presented as an input, these models generate a healthy scan image corresponding to the input anomalous scan, and the difference map between the generated healthy scan image and the original anomalous scan image provide the necessary pixel level identification of abnormal tissues. The generated healthy images from the DDPM, pDDPM and mDDPM models however suffer from fidelity issues and contain artifacts that do not have medical significance. While cDDPM achieves slightly better fidelity and artifact suppression, it requires huge memory footprint and is computationally expensive than the other DDPM based models. In this work, we propose an improved version of DDPM called Multichannel Conditional Denoising Diffusion Probabilistic Model (MCDDPM) for unsupervised anomaly detection in brain MRI scans. Our proposed model achieves high fidelity by making use of additional information from the healthy images during the training process, enriching the representation power of DDPM models, with a computational cost and memory requirements on par with DDPM, pDDPM and mDDPM models. Experimental results on multiple datasets (e.g. BraTS20, BraTS21) demonstrate promising performance of the proposed method. The code is available at https://github.com/vivekkumartri/MCDDPM.
• Abstract（参考訳）: 教師付きディープラーニング法を用いた脳MRIスキャンの異常検出は、解剖学的多様性とピクセルレベルのアノテーションの労働集約的要求による課題を提示する。 Denoising Diffusion Probabilistic Model (DDPM)のような生成モデルと、pDDPM、mDDPM、cDDPMのような変異は、最近、脳MRIスキャンで教師なしの異常検出を行うための強力な代替手段として現れている。 これらの方法は、健康な脳のフレームレベルラベルを利用して、脳MRIスキャンで健康な組織を生成する。 推論中、異常(または不健康)スキャン画像が入力として提示されると、これらのモデルが入力異常スキャンに対応する健全なスキャン画像を生成し、生成された健康スキャン画像と元の異常スキャン画像との差マップは、異常組織の画素レベル同定に必要となる。 しかし、DDPM、pDDPM、mDDPMモデルから生成された健康画像は、忠実度の問題に悩まされ、医学的な意味を持たないアーティファクトを含んでいる。 cDDPMは若干の忠実さとアーチファクトの抑制を実現するが、メモリフットプリントが大幅に必要であり、他のDDPMベースモデルよりも計算コストがかかる。 本研究では,脳MRIスキャンにおける異常検出のためのMCDDPM(Multi channel Conditional Denoising Diffusion Probabilistic Model)と呼ばれるDDPMの改良版を提案する。 提案モデルでは, DDPM, pDDPM, mDDPMモデルと同等の計算コストとメモリ要求を伴って, DDPMモデルの表現力を向上し, トレーニング過程における健康画像からの付加情報を活用することにより, 高忠実度を実現する。 複数のデータセット(例えば BraTS20, BraTS21)の実験結果から,提案手法の有望な性能が示された。 コードはhttps://github.com/vivekkumartri/MCDDPMで公開されている。

関連論文リスト

• Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
  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。
  論文  参考訳（メタデータ） (2024-05-08T11:26:49Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Unsupervised Anomaly Detection in Medical Images Using Masked Diffusion Model [7.116982044576858]
  Masked Image Modeling (MIM) と Masked Frequency Modeling (MFM) は、モデルがラベルのないデータから視覚表現を学習できるようにする自己教師型アプローチである。 腫瘍と多発性硬化症病変を含むデータセットについて検討した。
  論文  参考訳（メタデータ） (2023-05-31T14:04:11Z)
• 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)
• MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model [8.910108260704964]
  拡散モデル(DPM)は近年,コンピュータビジョンにおいて最もホットな話題の1つとなっている。 MedSegDiff と名付けた一般的な医用画像分割タスクに対する DPM ベースモデルを提案する。 実験の結果,MedSegDiff は最先端 (SOTA) 手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2022-11-01T17:24:44Z)
• Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological Report [0.0]
  インペイントアルゴリズムは、入力画像の1つ以上の領域を変更することができるDL生成モデルのサブセットである。 これらのアルゴリズムの性能は、その限られた出力量のために、しばしば準最適である。 拡散確率モデル(DDPM)は、GANに匹敵する品質の結果を生成することができる、最近導入された生成ネットワークのファミリーである。
  論文  参考訳（メタデータ） (2022-10-21T17:13:14Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• 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。