本研究では、fMRIデータの解析パイプラインの違いを緩和するための新しい手法を提案している。
まず、解析パイプラインをデータの外在的な特性と見なし、それを変換できるようにモデル化する。具体的には、Diffusion Modelを拡張した新しいクラス条件付きDDPM (Classifier-Conditional DDPM)を提案している。このモデルは、パイプラインを識別するクラシファイアの潜在空間を利用して、複数のパイプラインの間で変換を行う。
また、サンプリング時に複数のターゲット画像を利用することで、ターゲットドメインの多様性を表現し、ソース画像の本質的な特性も保持するようにしている。
実験では、4つの異なるパイプラインの間で変換を行い、提案手法の有効性を示している。提案手法は、他の条件付きDDPMモデルと比べて、ターゲットドメインへの適合性と生成画像の多様性の両面で優れた性能を示している。一方で、敵対的生成ネットワーク(GAN)ベースのモデルには及ばない結果となっている。
今後の課題として、潜在拡散モデルの活用により、画質の向上とソース画像の特性保持の両立を目指すことが挙げられる。
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Elodie Germa... a las arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.03703.pdfConsultas más profundas