- Генеративные модели на основе оценок для сегментации медицинских изображений с использованием функций расстояния со знаком (arXiv)
Автор: Леа Богенспергер, Доминик Нарнхофер, Филип Илич, Томас Пок.
Аннотация: Сегментация медицинских изображений является важной задачей, которая зависит от способности точно идентифицировать и изолировать области интереса в медицинских изображениях. Таким образом, генеративные подходы позволяют фиксировать статистические свойства масок сегментации, которые зависят от соответствующих структур. В этой работе мы предлагаем основу генеративного моделирования на основе условной оценки для представления функции расстояния со знаком (SDF), что приводит к неявному распределению масок сегментации. Преимущество использования SDF заключается в более естественном искажении по сравнению с бинарными масками. Изучая функцию оценки условного распределения SDF, мы можем точно выбрать из распределения масок сегментации, что позволяет оценивать статистические величины. Таким образом, это вероятностное представление позволяет генерировать карты неопределенности, представленные дисперсией, которые могут помочь в дальнейшем анализе и повысить надежность прогнозирования. Мы качественно и количественно иллюстрируем конкурентоспособность предлагаемого метода на общедоступном наборе данных сегментации ядер и желез, подчеркивая его потенциальную полезность в приложениях сегментации медицинских изображений.
2. Diffusion-SDF: условное генеративное моделирование функций расстояния со знаком (arXiv)
Автор: Джин Чоу, Юваль Бахат, Феликс Хайде.
Аннотация: Вероятностные модели диффузии достигли самых современных результатов для задач синтеза изображений, рисования и преобразования текста в изображение. Однако они все еще находятся на ранних стадиях создания сложных трехмерных форм. В этой работе предлагается Diffusion-SDF, генеративная модель для завершения формы, реконструкции в одном представлении и реконструкции реально отсканированных облаков точек. Мы используем нейронные функции расстояния со знаком (SDF) в качестве нашего трехмерного представления для параметризации геометрии различных сигналов (например, облаков точек, 2D-изображений) через нейронные сети. Нейронные SDF являются неявными функциями, и их распространение сводится к обучению обращению их весов нейронной сети, которое мы решаем с помощью специального модуля модуляции. Обширные эксперименты показывают, что наш метод способен как к реалистичной безусловной генерации, так и к условной генерации из частичных входных данных. Эта работа расширяет область моделей распространения от изучения 2D, явных представлений, до 3D, неявных представлений.
