論文の概要: IMPROVE: Improving Medical Plausibility without Reliance on HumanValidation -- An Enhanced Prototype-Guided Diffusion Framework
- arxiv url: http://arxiv.org/abs/2411.17535v1
- Date: Tue, 26 Nov 2024 15:51:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:34:45.054983
- Title: IMPROVE: Improving Medical Plausibility without Reliance on HumanValidation -- An Enhanced Prototype-Guided Diffusion Framework
- Title（参考訳）: IMPROVE:HumanValidationに依存しない医療プラウザビリティの向上 - 原型誘導拡散フレームワークの強化
- Authors: Anurag Shandilya, Swapnil Bhat, Akshat Gautam, Subhash Yadav, Siddharth Bhatt, Deval Mehta, Kshitij Jadhav,
- Abstract要約: 本稿では,人間のフィードバックを必要とせず,画像の医療的有用性を向上するための新しいアプローチを提案する。
骨マーロウとHAM10000データセットの実験を行い、人間のフィードバックなしに医療精度を大幅に向上させることができることを示した。
- 参考スコア（独自算出の注目度）: 2.2861154990517076
- License:
- Abstract: Generative models have proven to be very effective in generating synthetic medical images and find applications in downstream tasks such as enhancing rare disease datasets, long-tailed dataset augmentation, and scaling machine learning algorithms. For medical applications, the synthetically generated medical images by such models are still reasonable in quality when evaluated based on traditional metrics such as FID score, precision, and recall. However, these metrics fail to capture the medical/biological plausibility of the generated images. Human expert feedback has been used to get biological plausibility which demonstrates that these generated images have very low plausibility. Recently, the research community has further integrated this human feedback through Reinforcement Learning from Human Feedback(RLHF), which generates more medically plausible images. However, incorporating human feedback is a costly and slow process. In this work, we propose a novel approach to improve the medical plausibility of generated images without the need for human feedback. We introduce IMPROVE:Improving Medical Plausibility without Reliance on Human Validation - An Enhanced Prototype-Guided Diffusion Framework, a prototype-guided diffusion process for medical image generation and show that it substantially enhances the biological plausibility of the generated medical images without the need for any human feedback. We perform experiments on Bone Marrow and HAM10000 datasets and show that medical accuracy can be substantially increased without human feedback.
- Abstract（参考訳）: 生成モデルは、稀な疾患データセットの強化、長い尾のデータセット拡張、機械学習アルゴリズムのスケーリングといった下流タスクにおいて、合成医療画像の生成に非常に効果的であることが証明されている。
医療応用においては、これらのモデルによる合成医療画像は、FIDスコア、精度、リコールといった従来の指標に基づいて評価した場合、品質が依然として妥当である。
しかし、これらの指標は生成した画像の医学的・生物学的な妥当性を捉えるには至らなかった。
人間の専門家のフィードバックは、これらの生成された画像が極めて低い可能性を示す生物学的な可視性を得るために使われてきた。
近年,RLHF(Reinforcement Learning from Human Feedback)を通じて,より医学的に可視な画像を生成することで,このフィードバックをさらに統合している。
しかし、人間のフィードバックを取り入れるのはコストがかかり、遅いプロセスです。
本研究では,人間のフィードバックを必要とせずに生成した画像の医療的妥当性を向上させるための新しいアプローチを提案する。
IMPROVE: 人体に対する信頼性のない医療プラウザビリティの向上 - 医用画像生成のためのプロトタイプ誘導拡散プロセスである拡張プロトタイプ誘導拡散フレームワークを用いて, 人体からのフィードバックを必要とせず, 生成した医用画像の生物学的可視性を大幅に向上させることを示す。
骨マーロウとHAM10000データセットの実験を行い、人間のフィードバックなしに医療精度を大幅に向上させることができることを示した。
関連論文リスト
- Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - HumanRefiner: Benchmarking Abnormal Human Generation and Refining with Coarse-to-fine Pose-Reversible Guidance [80.97360194728705]
AbHumanは、解剖学的異常に焦点を当てた最初の大規模なヒトのベンチマークである。
HumanRefinerは、テキスト・ツー・イメージ生成における人間の異常の粗い微細化のための新しいプラグ・アンド・プレイアプローチである。
論文 参考訳（メタデータ） (2024-07-09T15:14:41Z) - MediSyn: A Generalist Text-Guided Latent Diffusion Model For Diverse Medical Image Synthesis [4.541407789437896]
MediSynは6つの専門医と10種類の画像から合成画像を生成することができるテキスト誘導潜在拡散モデルである。
合成画像と実画像との直接比較により,本モデルが新規画像の合成を行い,患者のプライバシを重要視する可能性が確認された。
本研究は,一般画像生成モデルが医学におけるアルゴリズム研究と開発を加速する大きな可能性を浮き彫りにした。
論文 参考訳（メタデータ） (2024-05-16T04:28:44Z) - GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image
Generation [0.0]
生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。
本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。
提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
論文 参考訳（メタデータ） (2023-12-30T20:16:45Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳（メタデータ） (2023-10-16T18:59:31Z) - 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) - An unobtrusive quality supervision approach for medical image annotation [8.203076178571576]
ユーザは、目に見えないデータを注釈付けして、不当にパフォーマンスを評価できる自動化システムを持つことが望ましい。
我々は, 条件付き生成逆数ネットワークと拡散モデルという, 合成された個々の細胞画像を生成する2つの方法を評価する。
ユーザーは52.12%の画像を検出できず、元の細胞を合成細胞に置き換える可能性を証明することができた。
論文 参考訳（メタデータ） (2022-11-11T11:57:26Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Pathology-Aware Generative Adversarial Networks for Medical Image
Augmentation [0.22843885788439805]
GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。
この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
論文 参考訳（メタデータ） (2021-06-03T15:08:14Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z)
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。