MAM-E: Mammographic synthetic image generation with diffusion models

要約

生成モデルは、医療画像分野で直面するデータ不足の問題を軽減するための代替データ拡張技術として使用されます。
拡散モデルは、その革新的な生成アプローチ、生成された画像の高品質、敵対的生成ネットワークと比較して比較的複雑でないトレーニング プロセスにより、特別な注目を集めています。
依然として、医療分野におけるそのようなモデルの実装は初期段階にあります。
この研究では、最先端の条件付き拡散パイプラインを使用して、高品質の全視野デジタル マンモグラムを生成するための拡散モデルの使用を検討することを提案します。
さらに、我々は、健康なマンモグラム上の合成病変の修復に安定した拡散モデルを使用することを提案します。
MAM-E は、テキスト プロンプトによって制御され、乳房の特定の領域に合成病変を生成できる、高品質のマン​​モグラフィ合成用の生成モデルのパイプラインです。
最後に、生成された画像の定量的および定性的評価と、マンモグラフィー合成用の使いやすいグラフィカル ユーザー インターフェイスを提供します。

要約(オリジナル)

Generative models are used as an alternative data augmentation technique to alleviate the data scarcity problem faced in the medical imaging field. Diffusion models have gathered special attention due to their innovative generation approach, the high quality of the generated images and their relatively less complex training process compared with Generative Adversarial Networks. Still, the implementation of such models in the medical domain remains at early stages. In this work, we propose exploring the use of diffusion models for the generation of high quality full-field digital mammograms using state-of-the-art conditional diffusion pipelines. Additionally, we propose using stable diffusion models for the inpainting of synthetic lesions on healthy mammograms. We introduce MAM-E, a pipeline of generative models for high quality mammography synthesis controlled by a text prompt and capable of generating synthetic lesions on specific regions of the breast. Finally, we provide quantitative and qualitative assessment of the generated images and easy-to-use graphical user interfaces for mammography synthesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google