Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological Report

要約

深層学習 (DL) モデルを医用画像に適用することへの関心がますます高まっているにもかかわらず、医療データセットの典型的な不足と不均衡は、DL モデルのパフォーマンスに深刻な影響を与える可能性があります。
患者のプライバシーを侵害することなく自由に共有できる合成データの生成は、これらの問題に対処するためのよく知られた手法です。
修復アルゴリズムは DL 生成モデルのサブセットであり、入力画像の 1 つまたは複数の領域を変更しながら、周囲のコンテキストと、場合によっては非画像入力条件を一致させることができます。
医用画像データの修復技術の大部分は敵対的生成ネットワーク (GAN) を使用しますが、これらのアルゴリズムのパフォーマンスは、出力の種類が限られているため最適ではないことが多く、GAN ではすでによく知られている問題です。
ノイズ除去拡散確率モデル (DDPM) は、最近導入された生成ネットワークのファミリーであり、GAN に匹敵する品質の結果を生成できますが、出力は多様です。
このホワイト ペーパーでは、さまざまなシーケンスで脳 MRI の 2D アキシャル スライスに対して複数の修復タスクを実行する DDPM について説明し、さまざまな評価シナリオでのパフォーマンスの概念実証の例を示します。
私たちのモデルとツールを試すための公開オンライン インターフェイスは、https://github.com/Mayo-Radiology-Informatics-Lab/MBTI で入手できます。

要約(オリジナル)

Despite the ever-increasing interest in applying deep learning (DL) models to medical imaging, the typical scarcity and imbalance of medical datasets can severely impact the performance of DL models. The generation of synthetic data that might be freely shared without compromising patient privacy is a well-known technique for addressing these difficulties. Inpainting algorithms are a subset of DL generative models that can alter one or more regions of an input image while matching its surrounding context and, in certain cases, non-imaging input conditions. Although the majority of inpainting techniques for medical imaging data use generative adversarial networks (GANs), the performance of these algorithms is frequently suboptimal due to their limited output variety, a problem that is already well-known for GANs. Denoising diffusion probabilistic models (DDPMs) are a recently introduced family of generative networks that can generate results of comparable quality to GANs, but with diverse outputs. In this paper, we describe a DDPM to execute multiple inpainting tasks on 2D axial slices of brain MRI with various sequences, and present proof-of-concept examples of its performance in a variety of evaluation scenarios. Our model and a public online interface to try our tool are available at: https://github.com/Mayo-Radiology-Informatics-Lab/MBTI

arxiv情報

著者 Pouria Rouzrokh,Bardia Khosravi,Shahriar Faghani,Mana Moassefi,Sanaz Vahdati,Bradley J. Erickson
発行日 2022-10-21 17:13:14+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, eess.IV パーマリンク