論文の概要: Diffusion-Based Approaches in Medical Image Generation and Analysis
- arxiv url: http://arxiv.org/abs/2412.16860v1
- Date: Sun, 22 Dec 2024 05:02:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:56:37.850724
- Title: Diffusion-Based Approaches in Medical Image Generation and Analysis
- Title（参考訳）: 医用画像生成と解析における拡散に基づくアプローチ
- Authors: Abdullah al Nomaan Nafi, Md. Alamgir Hossain, Rakib Hossain Rifat, Md Mahabub Uz Zaman, Md Manjurul Ahsan, Shivakumar Raman,
- Abstract要約: 医療画像におけるデータの不足は、プライバシー上の懸念から大きな課題となっている。
オリジナルのデータセットと合成データセット上での畳み込みニューラルネットワーク(CNN)モデルのパフォーマンスに関する疑問が残る。
本研究では,3領域でCNNを訓練するための合成医用画像生成のための拡散モデルの有効性について検討した。
- 参考スコア（独自算出の注目度）: 0.7834170106487724
- License:
- Abstract: Data scarcity in medical imaging poses significant challenges due to privacy concerns. Diffusion models, a recent generative modeling technique, offer a potential solution by generating synthetic and realistic data. However, questions remain about the performance of convolutional neural network (CNN) models on original and synthetic datasets. If diffusion-generated samples can help CNN models perform comparably to those trained on original datasets, reliance on patient-specific data for training CNNs might be reduced. In this study, we investigated the effectiveness of diffusion models for generating synthetic medical images to train CNNs in three domains: Brain Tumor MRI, Acute Lymphoblastic Leukemia (ALL), and SARS-CoV-2 CT scans. A diffusion model was trained to generate synthetic datasets for each domain. Pre-trained CNN architectures were then trained on these synthetic datasets and evaluated on unseen real data. All three datasets achieved promising classification performance using CNNs trained on synthetic data. Local Interpretable Model-Agnostic Explanations (LIME) analysis revealed that the models focused on relevant image features for classification. This study demonstrates the potential of diffusion models to generate synthetic medical images for training CNNs in medical image analysis.
- Abstract（参考訳）: 医療画像におけるデータの不足は、プライバシー上の懸念から大きな課題となっている。
拡散モデル(Diffusion model)は、合成および現実的なデータを生成することで潜在的な解決策を提供する。
しかし、オリジナルのデータセットと合成データセット上での畳み込みニューラルネットワーク(CNN)モデルの性能についてはまだ疑問が残る。
拡散生成サンプルが元のデータセットでトレーニングされたモデルと同等にCNNモデルを実行するのに役立つなら、CNNをトレーニングするための患者固有のデータに依存することは少なくなるだろう。
本研究では,脳腫瘍MRI,急性リンパ性白血病(ALL),SARS-CoV-2CTの3領域において,合成医用画像生成のための拡散モデルの有効性を検討した。
拡散モデルは各領域の合成データセットを生成するために訓練された。
事前トレーニングされたCNNアーキテクチャは、これらの合成データセットに基づいてトレーニングされ、見えない実データに基づいて評価される。
これら3つのデータセットは、合成データに基づいてトレーニングされたCNNを使用して、有望な分類性能を達成した。
局所的解釈可能なモデル非依存説明法 (LIME) 解析により, 関連画像の特徴に着目した分類モデルが得られた。
本研究は, 医用画像解析において, CNNを訓練するための合成医用画像を生成する拡散モデルの可能性を示す。
関連論文リスト
- Generative artificial intelligence in ophthalmology: multimodal retinal images for the diagnosis of Alzheimer's disease with convolutional neural networks [0.0]
本研究の目的は,マルチモーダル網膜イメージングと畳み込みニューラルネットワーク(CNN)を用いたアミロイドポジトロンCT(AmyloidPET)の現状予測である。
Denoising Diffusion Probabilistic Models (DDPM) は合成画像を生成するために訓練された。
単調なCNNは合成データで事前訓練され、実際のデータで微調整されたり、実際のデータでのみ訓練された。
論文 参考訳（メタデータ） (2024-06-26T10:49:26Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Derm-T2IM: Harnessing Synthetic Skin Lesion Data via Stable Diffusion
Models for Enhanced Skin Disease Classification using ViT and CNN [1.0499611180329804]
我々は、最近の数発学習の成功を拡大して、拡張されたデータ変換技術を統合することを目指している。
最先端機械学習モデルのトレーニングパイプラインに新たに生成された合成データを組み込むことによる影響について検討する。
論文 参考訳（メタデータ） (2024-01-10T13:46:03Z) - Investigating Data Memorization in 3D Latent Diffusion Models for
Medical Image Synthesis [0.6382686594288781]
光子計数冠状動脈造影および膝磁気共鳴画像データセットを用いた3次元潜時拡散モデルの記憶能力の評価を行った。
以上の結果から,このような潜伏拡散モデルがトレーニングデータを記憶し,記憶化を緩和するための戦略を考案する必要があることが示唆された。
論文 参考訳（メタデータ） (2023-07-03T16:39:28Z) - Brain tumor segmentation using synthetic MR images -- A comparison of
GANs and diffusion models [0.0]
現在、GAN(Generative Adversarial Network)や拡散モデルのような生成AIモデルは、非常に現実的な合成画像を生成することができる。
合成画像に基づいてトレーニングされたセグメンテーションネットワークは、実画像を用いたトレーニングにおいて、Diceスコアの80%から90%のDiceスコアに達することを示す。
我々の結論は、医用画像の共有は実際の画像の共有に有効な選択肢であるが、さらなる作業が必要であるということだ。
論文 参考訳（メタデータ） (2023-06-05T15:56:30Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Brain Imaging Generation with Latent Diffusion Models [2.200720122706913]
本研究では,高分解能3次元脳画像から合成画像を生成するために潜在拡散モデルを用いて検討する。
我々のモデルは現実的なデータを作成し、条件変数を使ってデータ生成を効果的に制御できることがわかった。
論文 参考訳（メタデータ） (2022-09-15T09:16:21Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z)
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。