論文の概要: Synthetic Augmentation for Anatomical Landmark Localization using DDPMs

• arxiv url: http://arxiv.org/abs/2410.12489v1
• Date: Wed, 16 Oct 2024 12:09:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:42:12.579110
• Title: Synthetic Augmentation for Anatomical Landmark Localization using DDPMs
• Title（参考訳）: DDPMを用いた解剖学的ランドマーク位置推定のための合成拡張
• Authors: Arnela Hadzic, Lea Bogensperger, Simon Johannes Joham, Martin Urschler,
• Abstract要約: 拡散型生成モデルは近年,高品質な合成画像を生成する能力に注目が集まっている。 ランドマークマッチングのためのマルコフランダムフィールド(MRF)モデルと統計的形状モデル(SSM)を用いて,生成画像の品質を評価する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.22499166814992436
• License:
• Abstract: Deep learning techniques for anatomical landmark localization (ALL) have shown great success, but their reliance on large annotated datasets remains a problem due to the tedious and costly nature of medical data acquisition and annotation. While traditional data augmentation, variational autoencoders (VAEs), and generative adversarial networks (GANs) have already been used to synthetically expand medical datasets, diffusion-based generative models have recently started to gain attention for their ability to generate high-quality synthetic images. In this study, we explore the use of denoising diffusion probabilistic models (DDPMs) for generating medical images and their corresponding heatmaps of landmarks to enhance the training of a supervised deep learning model for ALL. Our novel approach involves a DDPM with a 2-channel input, incorporating both the original medical image and its heatmap of annotated landmarks. We also propose a novel way to assess the quality of the generated images using a Markov Random Field (MRF) model for landmark matching and a Statistical Shape Model (SSM) to check landmark plausibility, before we evaluate the DDPM-augmented dataset in the context of an ALL task involving hand X-Rays.
• Abstract（参考訳）: 解剖学的ランドマークローカライゼーション(ALL)のためのディープラーニング技術は大きな成功を収めているが、医療データ取得とアノテーションの退屈でコストのかかる性質のため、大規模な注釈付きデータセットへの依存は依然として問題である。 従来のデータ拡張、変分自己エンコーダ(VAE)、生成的敵ネットワーク(GAN)はすでに医療データセットを合成的に拡張するために使われてきたが、拡散に基づく生成モデルは近年、高品質な合成画像を生成する能力に注目が集まっている。 本研究では,医学画像とそれに対応するランドマークのヒートマップを生成するための拡散確率モデル (DDPM) を用いて,教師付き深層学習モデルの訓練を強化することを検討した。 我々の新しいアプローチは、2チャンネルの入力を持つDDPMで、元の医用画像と注釈付きランドマークのヒートマップを併用する。 また,ランドマークマッチングのためのマルコフランダムフィールド(MRF)モデルと統計的形状モデル(SSM)を用いて生成画像の品質を評価する手法を提案する。

関連論文リスト

• Diffuse-UDA: Addressing Unsupervised Domain Adaptation in Medical Image Segmentation with Appearance and Structure Aligned Diffusion Models [31.006056670998852]
  3次元医用画像におけるvoxelレベルのアノテーションの欠如と複雑さは重要な課題である。 この格差は、医療における人工知能アルゴリズムの公平性に影響を与える。 医用画像セグメンテーションにおけるUnsupervised Domain Adaptation(UDA)に取り組むために拡散モデルを利用した新しい手法であるDiffuse-UDAを紹介する。
  論文  参考訳（メタデータ） (2024-08-12T08:21:04Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Rapid Training Data Creation by Synthesizing Medical Images for Classification and Localization [10.506584969668792]
  本稿では,この問題を解決するために,任意のディープニューラルネットワークをトレーニングするための実データ変換手法を提案する。 弱教師付きモデルでは,生成したデータを用いて局所化精度が著しく向上することを示す。 後者のモデルでは、生成した画像でトレーニングされた精度は、完全に注釈付けされた実画像でトレーニングされた精度と密接に一致している。
  論文  参考訳（メタデータ） (2023-08-09T03:49:12Z)
• High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
  肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。 ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。 しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
  論文  参考訳（メタデータ） (2023-05-02T01:04:22Z)
• Simulating Realistic MRI variations to Improve Deep Learning model and visual explanations using GradCAM [0.0]
  修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。 Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
  論文  参考訳（メタデータ） (2021-11-01T11:14:23Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)
• Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
  医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。 このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。 このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2020-06-23T20:43:18Z)

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。