Fugu-MT 論文翻訳(概要): FDDM: Frequency-Decomposed Diffusion Model for Rectum Cancer Dose Prediction in Radiotherapy

論文の概要: FDDM: Frequency-Decomposed Diffusion Model for Rectum Cancer Dose Prediction in Radiotherapy

arxiv url: http://arxiv.org/abs/2410.07876v1
Date: Thu, 10 Oct 2024 12:48:42 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 14:16:01.985944
Title: FDDM: Frequency-Decomposed Diffusion Model for Rectum Cancer Dose Prediction in Radiotherapy
Title（参考訳）: 放射線治療における直腸癌線量予測のための周波数分解拡散モデル
Authors: Xin Liao, Zhenghao Feng, Jianghong Xiao, Xingchen Peng, Yan Wang,
Abstract要約: 拡散モデルはコンピュータビジョンにおいて大きな成功をおさめ、より周波数の細かい画像を生成する。線量マップの高周波サブバンドを改良する周波数分解拡散モデルを提案する。高周波数サブバンドにおける粗い予測結果と基底真実との間には顕著な違いがある。
参考スコア（独自算出の注目度）: 12.025221208748308
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate dose distribution prediction is crucial in the radiotherapy planning. Although previous methods based on convolutional neural network have shown promising performance, they have the problem of over-smoothing, leading to prediction without important high-frequency details. Recently, diffusion model has achieved great success in computer vision, which excels in generating images with more high-frequency details, yet suffers from time-consuming and extensive computational resource consumption. To alleviate these problems, we propose Frequency-Decomposed Diffusion Model (FDDM) that refines the high-frequency subbands of the dose map. To be specific, we design a Coarse Dose Prediction Module (CDPM) to first predict a coarse dose map and then utilize discrete wavelet transform to decompose the coarse dose map into a low-frequency subband and three high?frequency subbands. There is a notable difference between the coarse predicted results and ground truth in high?frequency subbands. Therefore, we design a diffusion-based module called High-Frequency Refinement Module (HFRM) that performs diffusion operation in the high?frequency components of the dose map instead of the original dose map. Extensive experiments on an in-house dataset verify the effectiveness of our approach.
Abstract（参考訳）: 放射線治療計画では正確な線量分布予測が重要である。畳み込みニューラルネットワークに基づく従来の手法は有望な性能を示したが、過度なスムース化の問題があり、重要な高周波の詳細を持たない予測に繋がった。近年,拡散モデルは高頻度で画像を生成できるコンピュータビジョンにおいて大きな成功を収めているが,時間と計算資源の消費に悩まされている。これらの問題を緩和するために、線量マップの高周波サブバンドを改良する周波数分解拡散モデル(FDDM)を提案する。具体的には、まず粗い線量マップを予測し、次に離散ウェーブレット変換を用いて粗い線量マップを低周波サブバンドと3つの高域に分解する、粗い線量予測モジュール(CDPM)を設計する。周波数サブバンド粗い予測結果と地上の真実との間には、顕著な違いがあるのだろうか? 周波数サブバンドしたがって、高頻度拡散操作を行うHFRMと呼ばれる拡散モジュールを設計する。線量マップではなく線量マップの周波数成分。社内データセットの大規模な実験により、我々のアプローチの有効性が検証された。

関連論文リスト

Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
論文参考訳（メタデータ） (2024-03-26T16:57:55Z)
MD-Dose: A Diffusion Model based on the Mamba for Radiotherapy Dose Prediction [14.18016609082685]
胸部癌に対する放射線治療用線量分布予測のための新しい拡散モデルMD-Doseを導入する。前処理では、MD-Doseは線量分布マップにガウスノイズを加え、純粋なノイズ画像を得る。後向きのプロセスでは、MD-Doseはマンバに基づくノイズ予測器を使用してノイズを予測し、最終的に線量分布マップを出力する。
論文参考訳（メタデータ） (2024-03-13T12:46:36Z)
SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction Based on Multi-Scale Fusion of Anatomical Structures, Guided by SwinTransformer and Projector [14.18016609082685]
本研究では,SwinTransformerとプロジェクタSP-DiffDoseに基づく線量予測拡散モデルを提案する。解剖学的構造と線量分布マップの直接的な相関を捉えるために、SP-DiffDoseは構造エンコーダを使用して解剖学的画像から特徴を抽出する。 SP-DiffDoseは、リスクのある臓器の線量予測分布を強化するために、ネットワークの深い層でSwinTransformerを使用して、画像のさまざまなスケールの特徴をキャプチャする。
論文参考訳（メタデータ） (2023-12-11T08:07:41Z)
Diffusion-based Radiotherapy Dose Prediction Guided by Inter-slice Aware Structure Encoding [9.908364285212764]
がん患者の放射線治療線量分布を予測する拡散モデルに基づく方法(DiffDose)を提案する。 DiffDoseは、線量分布マップを小さなノイズを徐々に加えることによって純粋なガウス雑音に変換し、ノイズ予測器を同時に訓練し、各タイミングで加算されたノイズを推定する。逆処理では、よく訓練されたノイズ予測器を用いて、純粋なガウス雑音から複数のステップでノイズを除去し、最終的に予測された線量分布マップを出力する。
論文参考訳（メタデータ） (2023-11-06T09:54:47Z)
SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文参考訳（メタデータ） (2023-10-03T05:05:35Z)
DiffDP: Radiotherapy Dose Prediction via a Diffusion Model [13.44191425264393]
がん患者の放射線線量分布を予測するための拡散型線量予測(DiffDP)モデルを提案する。前処理では、DiffDPは小さなノイズを加えることで線量マップをガウスノイズに徐々に変換し、ノイズ予測器を訓練し、各時間ステップに付加されるノイズを予測する。逆処理では、よく訓練されたノイズ予測器を用いて、元のガウス雑音から複数のステップでノイズを除去し、最終的に予測された線量分布マップを出力する。
論文参考訳（メタデータ） (2023-07-19T07:25:33Z)
DoseDiff: Distance-aware Diffusion Model for Dose Prediction in Radiotherapy [7.934475806787889]
線量分布を正確に予測するための距離認識拡散モデル(DoseDiff)を提案する。その結果,ドセディフ法は定量的性能と視覚的品質の両方の観点から,最先端の線量予測法よりも優れていた。
論文参考訳（メタデータ） (2023-06-28T15:58:53Z)
Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文参考訳（メタデータ） (2023-06-01T09:39:32Z)
Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文参考訳（メタデータ） (2022-11-27T16:27:28Z)
How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文参考訳（メタデータ） (2022-06-10T15:09:46Z)
Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。