Diffusion Models for Medical Image Analysis: A Comprehensive Survey

要約

生成モデルのクラスであるノイズ除去拡散モデルは、最近、さまざまな深層学習の問題で大きな関心を集めています。
拡散確率モデルは、入力データがガウス ノイズを追加することによっていくつかのステップで徐々に摂動される前方拡散段階を定義し、次に拡散プロセスを逆にして、ノイズの多いデータ サンプルから目的のノイズのないデータを取得することを学習します。
拡散モデルは、既知の計算負荷にもかかわらず、強力なモード カバレッジと生成されたサンプルの品質で広く評価されています。
コンピューター ビジョンの進歩を利用して、医用画像処理の分野でも拡散モデルへの関心が高まっています。
研究者がこの膨大な量をナビゲートするのを支援するために、この調査では、医用画像分析の分野における拡散モデルの包括的な概要を提供することを目的としています。
具体的には、拡散モデルと 3 つの一般的な拡散モデリング フレームワーク (拡散確率モデル、ノイズ条件付きスコア ネットワーク、確率微分方程式) の背後にある強固な理論的基盤と基本概念を紹介します。
次に、医療分野における拡散モデルの体系的な分類法を提供し、それらのアプリケーション、イメージング モダリティ、関心のある器官、およびアルゴリズムに基づく多視点の分類を提案します。
この目的のために、医療分野における拡散モデルの広範なアプリケーションをカバーします。
さらに、いくつかの選択されたアプローチの実用的な使用例を強調し、医療分野における拡散モデルの限界について議論し、この分野の要求を満たすためのいくつかの方向性を提案します。
最後に、https://github.com/amirhossein-kz/Awesome-Diffusion-Models-in-Medical-Imaging で、利用可能なオープンソース実装を使用して概要調査を収集します。

要約(オリジナル)

Denoising diffusion models, a class of generative models, have garnered immense interest lately in various deep-learning problems. A diffusion probabilistic model defines a forward diffusion stage where the input data is gradually perturbed over several steps by adding Gaussian noise and then learns to reverse the diffusion process to retrieve the desired noise-free data from noisy data samples. Diffusion models are widely appreciated for their strong mode coverage and quality of the generated samples despite their known computational burdens. Capitalizing on the advances in computer vision, the field of medical imaging has also observed a growing interest in diffusion models. To help the researcher navigate this profusion, this survey intends to provide a comprehensive overview of diffusion models in the discipline of medical image analysis. Specifically, we introduce the solid theoretical foundation and fundamental concepts behind diffusion models and the three generic diffusion modelling frameworks: diffusion probabilistic models, noise-conditioned score networks, and stochastic differential equations. Then, we provide a systematic taxonomy of diffusion models in the medical domain and propose a multi-perspective categorization based on their application, imaging modality, organ of interest, and algorithms. To this end, we cover extensive applications of diffusion models in the medical domain. Furthermore, we emphasize the practical use case of some selected approaches, and then we discuss the limitations of the diffusion models in the medical domain and propose several directions to fulfill the demands of this field. Finally, we gather the overviewed studies with their available open-source implementations at https://github.com/amirhossein-kz/Awesome-Diffusion-Models-in-Medical-Imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google