Segmentation-Guided Knee Radiograph Generation using Conditional Diffusion Models

要約

ディープラーニングに基づく医療画像処理アルゴリズムは、開発時に代表的なデータを必要とする。特に、手術データは入手が困難な場合があり、高品質の公開データセットは限られている。この制限を克服し、データセットを増強するために、広く採用されている解決策は、合成画像の生成である。本研究では、条件付き拡散モデルを用いて、輪郭と骨のセグメンテーションから膝のX線画像を生成する。驚くべきことに、セグメンテーションを条件としてサンプリングと学習プロセスに組み込むことにより、2つの異なる戦略、すなわち条件付きサンプリングと条件付き学習が提示される。その結果、どちらの手法も条件セグメンテーションを守りながら、現実的な画像を生成できることが示された。条件付き学習法は、条件付きサンプリング法や従来のU-Netを凌駕している。

要約(オリジナル)

Deep learning-based medical image processing algorithms require representative data during development. In particular, surgical data might be difficult to obtain, and high-quality public datasets are limited. To overcome this limitation and augment datasets, a widely adopted solution is the generation of synthetic images. In this work, we employ conditional diffusion models to generate knee radiographs from contour and bone segmentations. Remarkably, two distinct strategies are presented by incorporating the segmentation as a condition into the sampling and training process, namely, conditional sampling and conditional training. The results demonstrate that both methods can generate realistic images while adhering to the conditioning segmentation. The conditional training method outperforms the conditional sampling method and the conventional U-Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL