Medical Diffusion: Denoising Diffusion Probabilistic Models for 3D Medical Image Generation

要約

近年のコンピュータビジョンの進歩は、画像生成において有望な結果を示している。特に拡散確率モデルは、DALL-E 2、Imagen、Stable Diffusionで実証されたように、テキスト入力からリアルな画像を生成することができるようになりました。しかし、一般に画像データが3次元ボリュームで構成されている医療分野での利用は、体系的に評価されていない。合成画像はプライバシーを保護する人工知能において重要な役割を果たす可能性があり、また、小規模なデータセットを補強するために用いることも可能である。ここでは、拡散確率モデルが高品質な医療画像データを合成できることを、磁気共鳴画像（MRI）とコンピュータ断層撮影（CT）画像に対して示す。合成された画像の品質を3つのカテゴリーで評価した2人の医療専門家による読者調査を通じて、その性能の定量的な測定値を提供する。合成画像の品質は、リアルな画像外観、解剖学的な正確さ、スライス間の一貫性の3つのカテゴリで評価されました。さらに、合成画像を自己教師付き事前学習に用いることで、データが少ない場合の乳房セグメンテーションモデルの性能を向上できることを実証した（合成データなしと合成データありのダイススコア 0.91 対 0.95）。コードはGitHubで公開されています: https://github.com/FirasGit/medicaldiffusion.

要約(オリジナル)

Recent advances in computer vision have shown promising results in image generation. Diffusion probabilistic models in particular have generated realistic images from textual input, as demonstrated by DALL-E 2, Imagen and Stable Diffusion. However, their use in medicine, where image data typically comprises three-dimensional volumes, has not been systematically evaluated. Synthetic images may play a crucial role in privacy preserving artificial intelligence and can also be used to augment small datasets. Here we show that diffusion probabilistic models can synthesize high quality medical imaging data, which we show for Magnetic Resonance Images (MRI) and Computed Tomography (CT) images. We provide quantitative measurements of their performance through a reader study with two medical experts who rated the quality of the synthesized images in three categories: Realistic image appearance, anatomical correctness and consistency between slices. Furthermore, we demonstrate that synthetic images can be used in a self-supervised pre-training and improve the performance of breast segmentation models when data is scarce (dice score 0.91 vs. 0.95 without vs. with synthetic data). The code is publicly available on GitHub: https://github.com/FirasGit/medicaldiffusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL