Core Concepts
Ein neuartiger generativer Ansatz zur Synthese realistischer 3D-Medizinbilder und Verbesserung bestehender Datensätze durch bedingte Diffusionsmodelle, die Segmentierungsmasken und patientenspezifische Informationen nutzen.
Abstract
Der Artikel präsentiert GEM-3D, einen innovativen Ansatz zur Synthese hochqualitativer und volumetrisch konsistenter 3D-Medizinbilder sowie zur Verbesserung medizinischer Datensätze durch vielfältige Diffusionsabtastungen.
Der Schlüssel ist das Design der "informierten Scheiben", die den volumetrischen Abtastprozess effektiv steuern und eine entkoppelte Kontrolle ermöglichen. GEM-3D kann realistische 3D-Bilder aus bestehenden Datensätzen generieren und bietet Lösungen für die Synthese von Gegenfallbildern mit Maskensteuerung in verschiedenen Szenarien.
Die Autoren zeigen, dass GEM-3D in der Lage ist, hochwertige 3D-Medizinbilder zu synthetisieren, die volumetrisch konsistent sind. Darüber hinaus ermöglicht der Ansatz die Verbesserung bestehender Datensätze durch Neuabtastung und bietet Lösungen für die generative Entschärfung auf Datensatzebene zur Normalisierung medizinischer Bilddaten.
Stats
Die Datensätze BraTS und AbdomenCT-1K umfassen jeweils 387 bzw. 288 Trainingsproben und 97 bzw. 73 Testproben.
Die Bildgrößen wurden auf 512x512 Pixel in der Z-Achse skaliert.
Quotes
Keine relevanten Zitate gefunden.