論文の概要: LesionDiffusion: Towards Text-controlled General Lesion Synthesis
- arxiv url: http://arxiv.org/abs/2503.00741v2
- Date: Thu, 06 Mar 2025 03:44:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 12:14:20.921922
- Title: LesionDiffusion: Towards Text-controlled General Lesion Synthesis
- Title（参考訳）: 病変拡散:テキスト制御汎用病変合成を目指して
- Authors: Henrui Tian, Wenhui Lei, Linrui Dai, Hanyu Chen, Xiaofan Zhang,
- Abstract要約: 3次元CT画像のためのテキスト制御可能な病変合成フレームワークLesionDiffusionを提案する。
本モデルでは, 病変の属性を制御し, より広範囲な病変タイプをサポートする。
今回,8臓器に14種類の病変を網羅した1,505個のCTスキャンと2対の病変マスクと構造報告のデータセットを紹介した。
- 参考スコア（独自算出の注目度）: 1.6029418399561406
- License:
- Abstract: Fully-supervised lesion recognition methods in medical imaging face challenges due to the reliance on large annotated datasets, which are expensive and difficult to collect. To address this, synthetic lesion generation has become a promising approach. However, existing models struggle with scalability, fine-grained control over lesion attributes, and the generation of complex structures. We propose LesionDiffusion, a text-controllable lesion synthesis framework for 3D CT imaging that generates both lesions and corresponding masks. By utilizing a structured lesion report template, our model provides greater control over lesion attributes and supports a wider variety of lesion types. We introduce a dataset of 1,505 annotated CT scans with paired lesion masks and structured reports, covering 14 lesion types across 8 organs. LesionDiffusion consists of two components: a lesion mask synthesis network (LMNet) and a lesion inpainting network (LINet), both guided by lesion attributes and image features. Extensive experiments demonstrate that LesionDiffusion significantly improves segmentation performance, with strong generalization to unseen lesion types and organs, outperforming current state-of-the-art models. Code will be available at https://github.com/HengruiTianSJTU/LesionDiffusion.
- Abstract（参考訳）: 医用画像画像における完全教師付き病変認識法は、高価で収集が困難である大量の注釈付きデータセットに依存しているため、課題に直面している。
これを解決するために、合成病変の発生は有望なアプローチとなっている。
しかし、既存のモデルはスケーラビリティ、病変特性のきめ細かい制御、複雑な構造の生成に苦慮している。
本稿では3次元CT画像のためのテキスト制御可能な病変合成フレームワークであるLesionDiffusionを提案する。
構造的病変報告テンプレートを利用することで, 病変の属性をより制御し, より広範な病変タイプをサポートすることができる。
今回,8臓器に14種類の病変を網羅した1,505個のCTスキャンと2対の病変マスクと構造報告のデータセットを紹介した。
LesionDiffusionは2つのコンポーネントから構成される: 病変マスク合成ネットワーク(LMNet)と病変塗装ネットワーク(LINet)。
広範囲にわたる実験により、LesionDiffusionはセグメント化性能を著しく改善し、見えない病変タイプや臓器への強力な一般化、最先端のモデルよりも優れていることが示されている。
コードはhttps://github.com/HengruiTianSJTU/LesionDiffusion.comで入手できる。
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) - Unleashing the Potential of Vision-Language Pre-Training for 3D Zero-Shot Lesion Segmentation via Mask-Attribute Alignment [11.726600999078755]
Maleniaは、新しいマルチスケールの病変レベルのマスク属性アライメントフレームワークである。
3次元ゼロショット病変セグメンテーション用に特別に設計されている。
論文 参考訳（メタデータ） (2024-10-21T08:01:58Z) - Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。
提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。
前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
論文 参考訳（メタデータ） (2024-07-01T16:09:07Z) - LeFusion: Controllable Pathology Synthesis via Lesion-Focused Diffusion Models [42.922303491557244]
実際の臨床実践から得られた患者データは、しばしばデータ不足と長い尾の不均衡に悩まされる。
本研究では,病変のない画像から病変を含む画像分割ペアを生成することで,これらの課題に対処する。
レフュージョン生成データにより、最先端セグメンテーションモデルの性能が大幅に向上する。
論文 参考訳（メタデータ） (2024-03-21T01:25:39Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Boosting Dermatoscopic Lesion Segmentation via Diffusion Models with
Visual and Textual Prompts [27.222844687360823]
我々は、病変特異的な視覚的およびテキスト的プロンプトを用いた制御フローを追加して、生成モデルの最新の進歩に適応する。
SSIM画像の品質測定では9%以上,Dice係数は5%以上向上する。
論文 参考訳（メタデータ） (2023-10-04T15:43:26Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T13:18:10Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - RTNet: Relation Transformer Network for Diabetic Retinopathy
Multi-lesion Segmentation [10.643730843316948]
特定の病変は特定の血管に閉じており、互いに相対的なパターンを呈していることが判明した。
自己注意変換器は病変の特徴間のグローバルな依存関係を利用し、相互注意変換器は病変と血管の特徴の間の相互作用を可能にする。
上記の二重ブランチのブロックを統合することで、ネットワークは4種類の病変を同時に分割する。
論文 参考訳（メタデータ） (2022-01-26T16:19:04Z) - ElixirNet: Relation-aware Network Architecture Adaptation for Medical
Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。
DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文 参考訳（メタデータ） (2020-03-03T05:29:49Z)
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。