核心概念
Denoising-Diffusions-Modelle können erfolgreich für die konsistente 3D-Inpainting gesunder Hirngewebe eingesetzt werden, um die Leistung klinisch relevanter Aufgaben wie die Segmentierung von Hirngewebe zu verbessern.
要約
Die Studie untersucht und erweitert verschiedene state-of-the-art-Diffusions-Modelle, um die Aufgabe des 3D-Inpaintings von gesundem Hirngewebe zu lösen. Die Autoren vergleichen 2D-, pseudo-3D- und 3D-Methoden und finden, dass das pseudo-3D-Modell die besten Ergebnisse in Bezug auf Strukturähnlichkeit, mittleren quadratischen Fehler und Spitzen-Signal-Rausch-Verhältnis liefert. Um die klinische Relevanz der Inpainting-Methode zu zeigen, evaluieren die Autoren die Leistung des pseudo-3D-Modells auch auf einer nachgelagerten Segmentierungsaufgabe unter Verwendung eines Datensatzes mit MS-Läsionen. Das vorgeschlagene Modell übertrifft dabei die etablierte FSL-Methode zur Läsionsfüllung.
統計
Die pseudo-3D-Methode erzielt einen durchschnittlichen SSIM-Wert von 0,8527 ± 0,1196, einen MSE-Wert von 0,0103 ± 0,0107 und einen PSNR-Wert von 20,9258 ± 3,3835 auf dem BraTS-Testdatensatz.
Für die Segmentierung von Liquor, grauer und weißer Substanz auf dem MS-Testdatensatz erreicht das pseudo-3D-Modell Dice-Werte von 0,8569 ± 0,0383, 0,8234 ± 0,0609 und 0,9846 ± 0,0078, was deutlich besser ist als die Ergebnisse der FSL-Läsionsfüllungsmethode.
引用
"Denoising-Diffusions-Modelle können erfolgreich für die konsistente 3D-Inpainting gesunder Hirngewebe eingesetzt werden, um die Leistung klinisch relevanter Aufgaben wie die Segmentierung von Hirngewebe zu verbessern."
"Das pseudo-3D-Modell übertrifft alle anderen evaluierten Methoden und liefert die besten Ergebnisse in Bezug auf Strukturähnlichkeit, mittleren quadratischen Fehler und Spitzen-Signal-Rausch-Verhältnis."