Denoising Diffusion Medical Models

要約

タイトル：デノイジング拡散医療モデル
要約：

– この研究では、多数の放射線画像/ラベルペアを合成できる生成モデルを導入し、それによってバイオメディカル画像解析におけるセグメンテーションなどのダウンストリーム活動にとって漸近的に有利な状況を作り出すことを目的としている。
– 提案された技術であるデノイジング拡散医療モデル（DDMM）は、少数の注釈付きデータセットだけでなく、スーパーバイズなしで大量の未ラベルデータセットでも現実的なX線像と関連するセグメンテーションを作成できる。
– ラジオグラフ/セグメンテーションペアは、DDMMのサンプリングプロセスによって確率モードで一緒に生成される。
– このデータ拡張のためにDDMMを使用するバニラUNetは、他の同様にデータ中心的なアプローチよりもセグメンテーションタスクで優れたパフォーマンスを示す。

要約(オリジナル)

In this study, we introduce a generative model that can synthesize a large number of radiographical image/label pairs, and thus is asymptotically favorable to downstream activities such as segmentation in bio-medical image analysis. Denoising Diffusion Medical Model (DDMM), the proposed technique, can create realistic X-ray images and associated segmentations on a small number of annotated datasets as well as other massive unlabeled datasets with no supervision. Radiograph/segmentation pairs are generated jointly by the DDMM sampling process in probabilistic mode. As a result, a vanilla UNet that uses this data augmentation for segmentation task outperforms other similarly data-centric approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI