Medical Diffusion: Denoising Diffusion Probabilistic Models for 3D Medical Image Generation

要約

コンピューター ビジョンの最近の進歩は、画像生成において有望な結果を示しています。
特に拡散確率モデルは、DALL-E 2、Imagen、および Stable Diffusion で実証されているように、テキスト入力からリアルな画像を生成しています。
ただし、画像データが通常 3 次元ボリュームで構成される医療での使用は、体系的に評価されていません。
合成画像は、プライバシーを保護する人工知能において重要な役割を果たす可能性があり、小さなデータセットを補強するためにも使用できます。
ここでは、拡散確率モデルが高品質の医用画像データを合成できることを示します。これは、磁気共鳴画像 (MRI) およびコンピューター断層撮影 (CT) 画像について示します。
合成画像の品質を 3 つのカテゴリで評価した 2 人の医療専門家によるリーダー調査を通じて、パフォーマンスの定量的測定値を提供します: リアルな画像の外観、解剖学的な正確さ、スライス間の一貫性。
さらに、自己教師ありの事前トレーニングで合成画像を使用し、データが不足している場合に乳房セグメンテーション モデルのパフォーマンスを向上させることができることを示します (サイコロ スコア 0.91 対 合成データなし 0.95)。

要約(オリジナル)

Recent advances in computer vision have shown promising results in image generation. Diffusion probabilistic models in particular have generated realistic images from textual input, as demonstrated by DALL-E 2, Imagen and Stable Diffusion. However, their use in medicine, where image data typically comprises three-dimensional volumes, has not been systematically evaluated. Synthetic images may play a crucial role in privacy preserving artificial intelligence and can also be used to augment small datasets. Here we show that diffusion probabilistic models can synthesize high quality medical imaging data, which we show for Magnetic Resonance Images (MRI) and Computed Tomography (CT) images. We provide quantitative measurements of their performance through a reader study with two medical experts who rated the quality of the synthesized images in three categories: Realistic image appearance, anatomical correctness and consistency between slices. Furthermore, we demonstrate that synthetic images can be used in a self-supervised pre-training and improve the performance of breast segmentation models when data is scarce (dice score 0.91 vs. 0.95 without vs. with synthetic data).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google