What is Healthy? Generative Counterfactual Diffusion for Lesion Localization

要約

医療画像のセグメンテーションで高密度に注釈が付けられたマスクの要件を減らすことは、コストの制約のために重要です。
この論文では、トレーニングに画像レベルのラベルのみを使用して、脳病変のピクセルレベルの予測を推測する問題について考察します。
生成拡散確率モデル（DPM）の最近の進歩を活用することにより、「X病状が存在しなかった場合、患者はどのように見えるか」の反事実を合成します。
観察された患者の状態と健康な反事実との間の差異画像は、病状の場所を推測するために使用することができます。
入力が正常なドメインに変換されるように、入力の最小限の変更に対応する反事実を生成します。
これには、DPMの正常なデータと異常なデータを使用したトレーニングが必要です。
分類子を使用する代わりに、注意調整とともに暗黙のガイダンスを使用して生成プロセスを操作することにより、以前の反事実DPMを改善します。
コードはhttps://github.com/vios-s/Diff-SCMで入手できます。

要約(オリジナル)

Reducing the requirement for densely annotated masks in medical image segmentation is important due to cost constraints. In this paper, we consider the problem of inferring pixel-level predictions of brain lesions by only using image-level labels for training. By leveraging recent advances in generative diffusion probabilistic models (DPM), we synthesize counterfactuals of ‘How would a patient appear if X pathology was not present?’. The difference image between the observed patient state and the healthy counterfactual can be used for inferring the location of pathology. We generate counterfactuals that correspond to the minimal change of the input such that it is transformed to healthy domain. This requires training with healthy and unhealthy data in DPMs. We improve on previous counterfactual DPMs by manipulating the generation process with implicit guidance along with attention conditioning instead of using classifiers. Code is available at https://github.com/vios-s/Diff-SCM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google