論文の概要: Lung-DDPM+: Efficient Thoracic CT Image Synthesis using Diffusion Probabilistic Model
- arxiv url: http://arxiv.org/abs/2508.09327v1
- Date: Tue, 12 Aug 2025 20:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.685289
- Title: Lung-DDPM+: Efficient Thoracic CT Image Synthesis using Diffusion Probabilistic Model
- Title（参考訳）: 拡散確率モデルを用いた胸部CT画像の高効率合成
- Authors: Yifan Jiang, Ahmad Shariftabrizi, Venkata SK. Manem,
- Abstract要約: 既存の肺がん診断のための生成モデルでは、低効率で解剖学的に不正確である。
従来のモデルであるLung-DDPMを改良したLung-DDPM+を提案する。
Lung-DDPM+は肺結節を伴う高画質CT像を効果的に生成できることを示す実験結果が得られた。
- 参考スコア（独自算出の注目度）: 4.477223135238901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative artificial intelligence (AI) has been playing an important role in various domains. Leveraging its high capability to generate high-fidelity and diverse synthetic data, generative AI is widely applied in diagnostic tasks, such as lung cancer diagnosis using computed tomography (CT). However, existing generative models for lung cancer diagnosis suffer from low efficiency and anatomical imprecision, which limit their clinical applicability. To address these drawbacks, we propose Lung-DDPM+, an improved version of our previous model, Lung-DDPM. This novel approach is a denoising diffusion probabilistic model (DDPM) guided by nodule semantic layouts and accelerated by a pulmonary DPM-solver, enabling the method to focus on lesion areas while achieving a better trade-off between sampling efficiency and quality. Evaluation results on the public LIDC-IDRI dataset suggest that the proposed method achieves 8$\times$ fewer FLOPs (floating point operations per second), 6.8$\times$ lower GPU memory consumption, and 14$\times$ faster sampling compared to Lung-DDPM. Moreover, it maintains comparable sample quality to both Lung-DDPM and other state-of-the-art (SOTA) generative models in two downstream segmentation tasks. We also conducted a Visual Turing Test by an experienced radiologist, showing the advanced quality and fidelity of synthetic samples generated by the proposed method. These experimental results demonstrate that Lung-DDPM+ can effectively generate high-quality thoracic CT images with lung nodules, highlighting its potential for broader applications, such as general tumor synthesis and lesion generation in medical imaging. The code and pretrained models are available at https://github.com/Manem-Lab/Lung-DDPM-PLUS.
- Abstract（参考訳）: 生成人工知能(AI)は、様々な領域において重要な役割を担っている。
高忠実で多様な合成データを生成する能力を活用し、生成AIはCT(Computed tomography)を用いた肺がん診断などの診断タスクに広く応用されている。
しかし, 既存の肺癌診断モデルでは, 低効率, 解剖学的不整合がみられ, 臨床応用性が制限されている。
これらの欠点に対処するため,従来のモデルであるLung-DDPMを改良したLung-DDPM+を提案する。
本手法は, 結節のセマンティックレイアウトによって誘導され, 肺DPM溶媒により促進される拡散確率モデル(DDPM)であり, サンプリング効率と品質のトレードオフを良好に保ちつつ, 病変領域に集中することが可能である。
一般のLIDC-IDRIデータセットによる評価結果から,提案手法はFLOPを8$\times$(毎秒浮動小数点演算),6.8$\times$低GPUメモリ消費,14$\times$高速サンプリングを実現することが示唆された。
さらに、Lung-DDPMと他のSOTA(State-of-the-art)生成モデルに匹敵するサンプル品質を2つの下流セグメンテーションタスクで維持する。
また, 経験者によるビジュアルチューリングテストを実施し, 提案手法により得られた合成試料の品質と忠実度について検討した。
これらの実験結果から, Lung-DDPM+は肺結節を伴う高画質胸部CT像を効果的に生成できることが示された。
コードと事前訓練されたモデルはhttps://github.com/Manem-Lab/Lung-DDPM-PLUS.comで入手できる。
関連論文リスト
- Lung-DDPM: Semantic Layout-guided Diffusion Models for Thoracic CT Image Synthesis [3.2912960074986652]
Lung-DDPMは胸部CT画像合成法であり,高忠実度3D合成CT画像を効果的に生成する。
本手法は,意味的レイアウト誘導型分散確率モデル(DDPM)に基づく。
Fr'echet開始距離が0.0047、MMDが0.0070、MSEが0.0024であった。
論文 参考訳（メタデータ） (2025-02-21T04:38:27Z) - Ultrasound Lung Aeration Map via Physics-Aware Neural Operators [78.6077820217471]
肺超音波は、急性肺疾患や慢性肺疾患を診断するクリニックにおいて増加するモダリティである。
超音波による空気透過性の低下に起因する胸膜界面からの複雑な逆流によって複雑になる。
RFデータから肺エアレーションマップを直接再構成するAIモデルLUNAを提案する。
論文 参考訳（メタデータ） (2025-01-02T09:24:34Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - 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) - High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳（メタデータ） (2023-05-02T01:04:22Z) - A Data Augmentation Method and the Embedding Mechanism for Detection and
Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。
肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-02T13:58:45Z) - Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$
Speedup [8.768546646716771]
本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。
DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
論文 参考訳（メタデータ） (2022-09-29T23:35:41Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。