論文の概要: cWDM: Conditional Wavelet Diffusion Models for Cross-Modality 3D Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2411.17203v1
• Date: Tue, 26 Nov 2024 08:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:31:20.223423
• Title: cWDM: Conditional Wavelet Diffusion Models for Cross-Modality 3D Medical Image Synthesis
• Title（参考訳）: cWDM:クロスモーダル3次元医用画像合成のための条件付きウェーブレット拡散モデル
• Authors: Paul Friedrich, Alicia Durrer, Julia Wolleb, Philippe C. Cattin,
• Abstract要約: 本稿では「BraTS 2024脳MR画像合成チャレンジ」に貢献する。 高分解能ボリュームの対画像変換タスクを解くための条件付きウェーブレット拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.767791678320834
• License:
• Abstract: This paper contributes to the "BraTS 2024 Brain MR Image Synthesis Challenge" and presents a conditional Wavelet Diffusion Model (cWDM) for directly solving a paired image-to-image translation task on high-resolution volumes. While deep learning-based brain tumor segmentation models have demonstrated clear clinical utility, they typically require MR scans from various modalities (T1, T1ce, T2, FLAIR) as input. However, due to time constraints or imaging artifacts, some of these modalities may be missing, hindering the application of well-performing segmentation algorithms in clinical routine. To address this issue, we propose a method that synthesizes one missing modality image conditioned on three available images, enabling the application of downstream segmentation models. We treat this paired image-to-image translation task as a conditional generation problem and solve it by combining a Wavelet Diffusion Model for high-resolution 3D image synthesis with a simple conditioning strategy. This approach allows us to directly apply our model to full-resolution volumes, avoiding artifacts caused by slice- or patch-wise data processing. While this work focuses on a specific application, the presented method can be applied to all kinds of paired image-to-image translation problems, such as CT $\leftrightarrow$ MR and MR $\leftrightarrow$ PET translation, or mask-conditioned anatomically guided image generation.
• Abstract（参考訳）: 本稿では「BraTS 2024脳MR画像合成チャレンジ」に貢献し、高解像度ボリュームでペア画像と画像の変換タスクを直接解く条件付きウェーブレット拡散モデル(cWDM)を提案する。 深層学習に基づく脳腫瘍セグメンテーションモデルは明確な臨床的有用性を示しているが、通常、入力には様々なモード(T1、T1ce、T2、FLAIR)のMRスキャンが必要である。 しかし、時間的制約や画像的アーティファクトにより、これらのモダリティのいくつかは欠落しており、臨床ルーチンにおける優れたセグメンテーションアルゴリズムの適用を妨げる可能性がある。 この問題に対処するために,3つの利用可能な画像に条件付けされた1つの欠落したモダリティ画像を合成し,下流セグメンテーションモデルの適用を可能にする手法を提案する。 本稿では,このペア画像と画像の変換タスクを条件生成問題として扱い,高分解能3次元画像合成のためのウェーブレット拡散モデルと簡単な条件付け戦略を組み合わせることで解決する。 このアプローチでは,スライス処理やパッチ処理に起因したアーティファクトを回避して,モデルをフルレゾリューションボリュームに直接適用することができる。 この研究は特定のアプリケーションに焦点を当てているが、CT $\leftrightarrow$ MR や MR $\leftrightarrow$ PET 翻訳、マスク条件による解剖学的ガイド画像生成など、画像と画像のペア変換のあらゆる問題に適用できる。

関連論文リスト

• Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
  拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。 本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。 本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T07:24:54Z)
• WDM: 3D Wavelet Diffusion Models for High-Resolution Medical Image Synthesis [1.647759094903376]
  本研究はウェーブレット画像に拡散モデルを適用するウェーブレットベースの医用画像合成フレームワークであるWDMを提案する。 BraTS と LIDC-IDRI の非条件画像生成実験の結果,FID (State-of-the-art image fidelity) とMS-SSIM (Simified diversity) のスコアが得られた。 提案手法は,高画質画像を256倍256倍256$の解像度で生成できる唯一の手法である。
  論文  参考訳（メタデータ） (2024-02-29T11:11:05Z)
• Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and GANs [0.5039813366558306]
  本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。 画像合成はラベル変形とラベルから画像への変換からなる。 心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
  論文  参考訳（メタデータ） (2022-09-09T10:17:49Z)
• The Swiss Army Knife for Image-to-Image Translation: Multi-Task Diffusion Models [0.8999666725996974]
  本研究では,暗黙的拡散モデルを用いた画像から画像への変換手法を構築した。 回帰タスクを用いて顔画像の老化過程をシミュレートするために本手法を適用した。 また,脳MRI画像の正常なスライスにおいて,所望の部位に腫瘍を塗布するためにセグメンテーションモデルを用いた。
  論文  参考訳（メタデータ） (2022-04-06T07:52:06Z)
• Fluid registration between lung CT and stationary chest tomosynthesis images [23.239722016943794]
  計測された投影とデジタル再構成されたラジオグラフに基づいて3次元変形を推定する3D/2D登録手法を定式化する。 我々は,CTと静止胸部トモシンセシス(sDCT)画像の登録に対するアプローチを実証し,それが反復的画像再構成アプローチにどのように自然に導かれるかを示した。
  論文  参考訳（メタデータ） (2022-03-06T21:51:49Z)
• QU-net++: Image Quality Detection Framework for Segmentation of 3D Medical Image Stacks [0.9594432031144714]
  U-net++モデルを用いて3次元画像スタックから医用画像の品質を評価する2段階自動評価手法を提案する。 検出された画像は、セマンティックセグメンテーションのためにU-net++モデルをさらに微調整するために使用することができる。
  論文  参考訳（メタデータ） (2021-10-27T05:28:02Z)
• 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)
• IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
  IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。 我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
  論文  参考訳（メタデータ） (2021-04-13T02:00:24Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。