論文の概要: Ultrasound Image Generation using Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2502.08580v1
• Date: Wed, 12 Feb 2025 17:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:48:02.468301
• Title: Ultrasound Image Generation using Latent Diffusion Models
• Title（参考訳）: 潜時拡散モデルを用いた超音波画像生成
• Authors: Benoit Freiche, Anthony El-Khoury, Ali Nasiri-Sarvi, Mahdi S. Hosseini, Damien Garcia, Adrian Basarab, Mathieu Boily, Hassan Rivaz,
• Abstract要約: 画像生成のための拡散モデルは、多種多様な高品質な画像を生成する能力により、関心が高まりつつある。 本研究では,異なる公開データベース上での大規模拡散モデルの連続的な微調整により,現実的な超音波画像(US)のシミュレーションを提案する。 乳房の高画質な画像は、臓器と病理を識別するシンプルなプロンプトで生成し、アメリカの経験者3人とアメリカの放射線技師に現実的に見られた。
• 参考スコア（独自算出の注目度）: 9.195192250393267
• License:
• Abstract: Diffusion models for image generation have been a subject of increasing interest due to their ability to generate diverse, high-quality images. Image generation has immense potential in medical imaging because open-source medical images are difficult to obtain compared to natural images, especially for rare conditions. The generated images can be used later to train classification and segmentation models. In this paper, we propose simulating realistic ultrasound (US) images by successive fine-tuning of large diffusion models on different publicly available databases. To do so, we fine-tuned Stable Diffusion, a state-of-the-art latent diffusion model, on BUSI (Breast US Images) an ultrasound breast image dataset. We successfully generated high-quality US images of the breast using simple prompts that specify the organ and pathology, which appeared realistic to three experienced US scientists and a US radiologist. Additionally, we provided user control by conditioning the model with segmentations through ControlNet. We will release the source code at http://code.sonography.ai/ to allow fast US image generation to the scientific community.
• Abstract（参考訳）: 画像生成のための拡散モデルは、多彩で高品質な画像を生成する能力によって、関心が高まりつつある。 オープンソース医療画像は、特に稀な条件において、自然画像と比較して取得が困難であるため、医用画像において画像生成は大きな可能性を秘めている。 生成された画像は後で、分類とセグメンテーションモデルをトレーニングするために使用することができる。 本稿では,異なる公開データベース上での大規模拡散モデルの連続的な微調整により,現実的な超音波画像(US)のシミュレーションを提案する。 そこで, BUSI (Breast US Images) の超音波乳房画像データセットを用いて, 最先端の潜伏拡散モデルである安定拡散を微調整した。 乳房の高画質な画像は、臓器と病理を識別するシンプルなプロンプトで生成し、アメリカの経験者3人とアメリカの放射線技師に現実的に見られた。 さらに、制御ネットを介してセグメンテーションをモデルに条件付けすることで、ユーザコントロールを提供しました。 ソースコードはhttp://code.sonography.ai/で公開します。

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)
• Multi-Conditioned Denoising Diffusion Probabilistic Model (mDDPM) for Medical Image Synthesis [22.0080610434872]
  アノテーションを用いた合成画像の制御生成フレームワークを提案する。 本手法は, 解剖学的に忠実に表現できる, 注記式肺CT画像を作成することができることを示す。 本実験は, この自然の制御された生成フレームワークが, ほぼすべての最先端画像生成モデルを超えることを実証した。
  論文  参考訳（メタデータ） (2024-09-07T01:19:02Z)
• Diffusion as Sound Propagation: Physics-inspired Model for Ultrasound Image Generation [40.38366685713845]
  本稿では,物理に基づく拡散モデルを導入することにより,生成されたUS画像の品質を向上させる新しい手法を提案する。 提案モデルは超音波画像における音波伝搬の自然な挙動を模倣する米国固有のスケジューラスキームを取り入れたものである。
  論文  参考訳（メタデータ） (2024-07-07T16:09:20Z)
• How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
  潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。 検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。 提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T05:33:47Z)
• Could We Generate Cytology Images from Histopathology Images? An Empirical Study [1.791005104399795]
  本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。 本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。
  論文  参考訳（メタデータ） (2024-03-16T10:43:12Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Spot the fake lungs: Generating Synthetic Medical Images using Neural Diffusion Models [1.0957528713294873]
  我々は,事前学習したDALLE2モデルを用いて,入力テキストプロンプトから肺X線とCT画像を生成する。 我々は3165個のX線画像を用いて安定拡散モデルを訓練し、合成画像を生成する。 その結果, 拡散モデルにより生成した画像は, 特定の医学的条件に特有な特徴を翻訳できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-02T06:02:55Z)
• 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)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)

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。