Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI

要約

拡散確率モデル (DPM) は、コンピュータ ビジョン タスク、特に画像生成において大きな有効性を示しています。
ただし、その注目すべきパフォーマンスはラベル付きデータセットに大きく依存しており、関連する高コストのアノテーションにより、医療画像への応用が制限されます。
医用画像における病変検出のための現在の DPM 関連の方法は、2 つの異なるアプローチに分類でき、主に画像レベルのアノテーションに依存しています。
異常検出に基づく最初のアプローチでは、基準となる健康な脳の表現を学習し、推論結果の違いに基づいて異常を特定します。
対照的に、2 番目のアプローチはセグメンテーション タスクに似ており、ピクセル レベルの注釈を生成するための事前情報として元の脳のマルチモダリティのみを使用します。
この論文では、脳 MRI における病変検出のために私たちが提案したモデルである不一致分布医療拡散 (DDMD) は、画像レベルのアノテーションや元の脳モダリティに直接依存する従来のやり方から逸脱し、独特の不一致特徴を組み込むことによって新しいフレームワークを導入しています。
私たちの方法では、画像レベルのアノテーションの不一致は、同種のサンプル内の情報を維持しながら、異種サンプル間の分布の不一致に変換されます。
この特性により、ピクセル単位の不確実性が維持され、セグメンテーションの暗黙的なアンサンブルが容易になり、最終的に全体的な検出パフォーマンスが向上します。
脳腫瘍検出のためのマルチモーダル MRI スキャンを含む BRATS2020 ベン​​チマーク データセットに対して行われた徹底的な実験により、最先端の方法と比較して、当社のアプローチの優れたパフォーマンスが実証されました。

要約(オリジナル)

Diffusion probabilistic models (DPMs) have exhibited significant effectiveness in computer vision tasks, particularly in image generation. However, their notable performance heavily relies on labelled datasets, which limits their application in medical images due to the associated high-cost annotations. Current DPM-related methods for lesion detection in medical imaging, which can be categorized into two distinct approaches, primarily rely on image-level annotations. The first approach, based on anomaly detection, involves learning reference healthy brain representations and identifying anomalies based on the difference in inference results. In contrast, the second approach, resembling a segmentation task, employs only the original brain multi-modalities as prior information for generating pixel-level annotations. In this paper, our proposed model – discrepancy distribution medical diffusion (DDMD) – for lesion detection in brain MRI introduces a novel framework by incorporating distinctive discrepancy features, deviating from the conventional direct reliance on image-level annotations or the original brain modalities. In our method, the inconsistency in image-level annotations is translated into distribution discrepancies among heterogeneous samples while preserving information within homogeneous samples. This property retains pixel-wise uncertainty and facilitates an implicit ensemble of segmentation, ultimately enhancing the overall detection performance. Thorough experiments conducted on the BRATS2020 benchmark dataset containing multimodal MRI scans for brain tumour detection demonstrate the great performance of our approach in comparison to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google