論文の概要: DMCIE: Diffusion Model with Concatenation of Inputs and Errors to Improve the Accuracy of the Segmentation of Brain Tumors in MRI Images

• arxiv url: http://arxiv.org/abs/2507.00983v1
• Date: Tue, 01 Jul 2025 17:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.757899
• Title: DMCIE: Diffusion Model with Concatenation of Inputs and Errors to Improve the Accuracy of the Segmentation of Brain Tumors in MRI Images
• Title（参考訳）: DMCIE:MRI画像における脳腫瘍の分離精度向上のための入力とエラーの結合を伴う拡散モデル
• Authors: Sara Yavari, Rahul Nitin Pandya, Jacob Furst,
• Abstract要約: DMCIE(Diffusion Model with Concatenation of Inputs and Errors)を提案する。 我々は3次元U-Netを用いて初期セグメンテーションマスクを生成し、そこから予測と基底真理の差を識別して誤差マップを生成する。 マルチモーダルMRI入力(T1,T1ce,T2,FLAIR)を用いて、DMCIEは、元の入力で導かれる誤分類領域に着目して、セグメント化精度を効果的に向上する。
• 参考スコア（独自算出の注目度）: 0.9374652839580183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of brain tumors in MRI scans is essential for reliable clinical diagnosis and effective treatment planning. Recently, diffusion models have demonstrated remarkable effectiveness in image generation and segmentation tasks. This paper introduces a novel approach to corrective segmentation based on diffusion models. We propose DMCIE (Diffusion Model with Concatenation of Inputs and Errors), a novel framework for accurate brain tumor segmentation in multi-modal MRI scans. We employ a 3D U-Net to generate an initial segmentation mask, from which an error map is generated by identifying the differences between the prediction and the ground truth. The error map, concatenated with the original MRI images, are used to guide a diffusion model. Using multimodal MRI inputs (T1, T1ce, T2, FLAIR), DMCIE effectively enhances segmentation accuracy by focusing on misclassified regions, guided by the original inputs. Evaluated on the BraTS2020 dataset, DMCIE outperforms several state-of-the-art diffusion-based segmentation methods, achieving a Dice Score of 93.46 and an HD95 of 5.94 mm. These results highlight the effectiveness of error-guided diffusion in producing precise and reliable brain tumor segmentations.
• Abstract（参考訳）: MRIスキャンにおける脳腫瘍の正確なセグメンテーションは、信頼性の高い臨床診断と効果的な治療計画に不可欠である。 近年,拡散モデルは画像生成や分割作業において顕著な効果を示した。 本稿では拡散モデルに基づく補正セグメンテーションの新たなアプローチを提案する。 DMCIE(Diffusion Model with Concatenation of Inputs and Errors)を提案する。 我々は3次元U-Netを用いて初期セグメンテーションマスクを生成し、そこから予測と基底真理の差を識別して誤差マップを生成する。 元のMRI画像と連結した誤差マップを用いて拡散モデルを導出する。 マルチモーダルMRI入力(T1,T1ce,T2,FLAIR)を用いて、DMCIEは、元の入力で導かれる誤分類領域に着目して、セグメント化精度を効果的に向上する。 BraTS2020データセットに基づいて評価され、DMCIEは最先端の拡散に基づくセグメンテーション法より優れ、Dice Score 93.46 と HD95 5.94 mm を達成している。 これらの結果は, 正確かつ信頼性の高い脳腫瘍の分節形成における誤り誘導拡散の有効性を浮き彫りにした。

関連論文リスト

• Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
  拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。 彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。 本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-08T11:26:49Z)
• FDDM: Unsupervised Medical Image Translation with a Frequency-Decoupled Diffusion Model [2.2726755789556794]
  MR-CT変換のための周波数分離拡散モデルを提案する。 我々のモデルは低周波・高周波情報に二重経路逆拡散法を用いる。 翻訳された解剖学的構造の精度を維持しつつ、高品質なターゲットドメイン画像を生成することができる。
  論文  参考訳（メタデータ） (2023-11-19T19:44:44Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。