論文の概要: Diffusion Based Ambiguous Image Segmentation

• arxiv url: http://arxiv.org/abs/2504.05977v1
• Date: Tue, 08 Apr 2025 12:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:42.083375
• Title: Diffusion Based Ambiguous Image Segmentation
• Title（参考訳）: 拡散に基づく曖昧な画像分割
• Authors: Jakob Lønborg Christensen, Morten Rieger Hannemose, Anders Bjorholm Dahl, Vedrana Andersen Dahl,
• Abstract要約: 生成セグメンテーションのための拡散モデルの設計空間について検討する。 入力スケーリングによるノイズスケジュールの厳格化は,性能を著しく向上させる。 我々はLIDC-IDRI肺病変データセットに基づく実験を行い,SOTA(State-of-the-art)の性能を得た。
• 参考スコア（独自算出の注目度）: 4.847141930102934
• License:
• Abstract: Medical image segmentation often involves inherent uncertainty due to variations in expert annotations. Capturing this uncertainty is an important goal and previous works have used various generative image models for the purpose of representing the full distribution of plausible expert ground truths. In this work, we explore the design space of diffusion models for generative segmentation, investigating the impact of noise schedules, prediction types, and loss weightings. Notably, we find that making the noise schedule harder with input scaling significantly improves performance. We conclude that x- and v-prediction outperform epsilon-prediction, likely because the diffusion process is in the discrete segmentation domain. Many loss weightings achieve similar performance as long as they give enough weight to the end of the diffusion process. We base our experiments on the LIDC-IDRI lung lesion dataset and obtain state-of-the-art (SOTA) performance. Additionally, we introduce a randomly cropped variant of the LIDC-IDRI dataset that is better suited for uncertainty in image segmentation. Our model also achieves SOTA in this harder setting.
• Abstract（参考訳）: 医用画像のセグメンテーションは、専門家のアノテーションのバリエーションによる固有の不確実性を伴うことが多い。 この不確実性を捉えることは重要な目標であり、以前の研究では、様々な生成的画像モデルを用いて、有望な専門家の基底真理の完全な分布を表現している。 本研究では,生成セグメンテーションのための拡散モデルの設計空間について検討し,ノイズスケジュール,予測型,損失重み付けの影響について検討する。 特に,入力スケーリングによるノイズスケジュールの厳格化は,性能を著しく向上させる。 我々は、拡散過程が離散セグメンテーション領域にあるため、x-およびv-述語はエプシロン予想より優れていると結論づける。 多くの損失重み付けは、拡散過程の終わりに十分な重量を与える限り、同様の性能を達成する。 我々はLIDC-IDRI肺病変データセットに基づく実験を行い,SOTA(State-of-the-art)の性能を得た。 さらに,画像セグメンテーションにおける不確実性に適したLIDC-IDRIデータセットの無作為な変種を導入する。 我々のモデルは、この難しい設定でSOTAも達成します。

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)
• DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
  拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。 マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。 我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-25T09:57:52Z)
• Robust semi-supervised segmentation with timestep ensembling diffusion models [15.816699232409036]
  本研究は拡散モデルを用いた半教師付き画像分割に焦点を当てる。 より小さな拡散ステップは、より大きなステップよりも下流のタスクに対して堅牢な潜在表現を生成することを実証する。 ドメイン内での競合性能を維持しながら、ドメインシフトした設定におけるパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2023-11-13T15:57:17Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging [21.311726807879456]
  イメージセグメンテーションでは、この問題に対処するために潜在密度モデルを利用することができる。 最も一般的なアプローチは確率的U-Net (PU-Net) である。 我々は,すべての潜伏次元における等質性を促進するために,相互情報更新とエントロピー規則化されたシンクホーン更新を導入する。
  論文  参考訳（メタデータ） (2023-07-31T14:09:03Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Denoising Diffusion Semantic Segmentation with Mask Prior Modeling [61.73352242029671]
  本稿では,従来の識別的アプローチのセマンティックセグメンテーション品質を,デノナイズ拡散生成モデルでモデル化したマスクを用いて改善することを提案する。 市販セグメンタを用いた先行モデルの評価を行い,ADE20KとCityscapesの実験結果から,本手法が競争力のある定量的性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-02T17:47:01Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Improving Aleatoric Uncertainty Quantification in Multi-Annotated Medical Image Segmentation with Normalizing Flows [0.0]
  医用画像のセグメンテーション応用における不確実性の定量化が不可欠である。 正規化フロー(NF)を導入して,より柔軟なアプローチを提案する。 我々は、確率的U-Netを採用し、NFで後続密度を増大させることで、より表現力のある仮説を立証する。
  論文  参考訳（メタデータ） (2021-08-04T16:33:12Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)

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。