Denoising diffusion adversarial models for unconditional medical image generation

Simple item page
buir.contributor.authorDalmaz, Onat
buir.contributor.authorSağlam, Baturay
buir.contributor.authorElmas, Gökberk
buir.contributor.authorMirza, Muhammad Usama
buir.contributor.authorÇukur, Tolga
buir.contributor.orcidDalmaz, Onat|0000-0001-7978-5311
buir.contributor.orcidSağlam, Baturay|0000-0002-8324-5980
buir.contributor.orcidElmas, Gökberk|0000-0003-0124-6048
buir.contributor.orcidMirza, Muhammad Usama|0009-0001-2146-7940
buir.contributor.orcidÇukur, Tolga|0000-0002-2296-851X
dc.citation.epage5en_US
dc.citation.spage1
dc.contributor.authorDalmaz, Onat
dc.contributor.authorSağlam, Baturay
dc.contributor.authorElmas, Gökberk
dc.contributor.authorMirza, Muhammad Usama
dc.contributor.authorÇukur, Tolga
dc.coverage.spatialİstanbul, Türkiye
dc.date.accessioned2024-03-22T11:32:51Z
dc.date.available2024-03-22T11:32:51Z
dc.date.issued2023-08-28
dc.departmentDepartment of Electrical and Electronics Engineering
dc.departmentNational Magnetic Resonance Research Center (UMRAM)
dc.departmentAysel Sabuncu Brain Research Center (BAM)
dc.descriptionDate of Conference: 05-08 July 2023
dc.descriptionConference Name: 31st IEEE Conference on Signal Processing and Communications Applications, SIU 2023
dc.description.abstractUnconditional medical image synthesis is the task of generating realistic and diverse medical images from random noise without any prior information or constraints. Synthesizing realistic medical images can enrich the quality and diversity of medical imaging datasets, which in turn, enhance the performance and generalization of deep learning models for medical imaging. Prevalent approach for synthesizing medical images involves generative adversarial networks (GAN) or denoising diffusion probabilistic models (DDPM). However, GAN models that implicitly learn the image distribution are prone to limited sample fidelity and diversity. On the other hand, diffusion models suffer from slow sampling speed due to small diffusion steps. In this paper, we propose a novel diffusion-based method for unconditional medical image synthesis, Diff-Med-Synth, that generates realistic and diverse medical images from random noise. Diff-Med-Synth combines the advantages of denoising diffusion probabilistic models and GANs to achieve fast and efficient image sampling. We evaluate our method on two multi-contrast MRI datasets and show that it outperforms state-of-the-art methods in terms of quality, diversity, and fidelity of the synthesized images.
dc.description.abstractKoşulsuz tıbbi görüntü sentezi, önceden bilgi veya kısıt olmaksızın rastgele gürültüden gerçekçi ve çeşitli tıbbi görüntüler üretme görevidir. Gerçekçi tıbbi görüntüler sentezlemek, tıbbi görüntüleme veri kümelerinin kalitesini ve çeşitliliğini zenginleştirebilir, bu da sırayla tıbbi görüntüleme için derin öğrenme modellerinin performansını ve genelleştirilmesini artırabilir. Tıbbi görüntüler sentezlemek için yaygın yaklaşım, üretici çekişmeli ağlar (GAN) veya gürültüyü giderme difüzyon olasılık modelleri (DDPM) içerir. Ancak, GAN modelleri görüntü dağılımını dolaylı olarak öğrenir ve sınırlı örnek sadakati ve çeşitliliğe eğilimlidir. Öte yandan, difüzyon modelleri küçük difüzyon adımları nedeniyle yavaş örnekleme hızından muzdariptir. Bu çalışmada, rastgele gürültüden gerçekçi ve hızlı şekilde tıbbi görüntüler üreten yeni bir difüzyon tabanlı yöntem olan Diff-Med-Synth’i öneriyoruz. Diff-Med-Synth, hızlı ve verimli görüntü örnekleme elde etmek için gürültüyü giderme difüzyon olasılık modellerinin ve GAN’ların avantajlarını birleştirir. Yöntemimizi iki çok kontrastlı MRG veri kümesinde değerlendiriyoruz ve sentezlenen görüntülerin kalitesi, çeşitliliği ve sadakati açısından son teknik yöntemleri geride bıraktığını gösteriyoruz.
dc.identifier.doi10.1109/SIU59756.2023.10223912
dc.identifier.eisbn9798350343557
dc.identifier.isbn9798350343564
dc.identifier.issn2165-0608
dc.identifier.urihttps://hdl.handle.net/11693/115081
dc.language.isoEnglish
dc.publisherIEEE - Institute of Electrical and Electronics Engineers
dc.relation.isversionofhttps://dx.doi.org/10.1109/SIU59756.2023.10223912
dc.source.title2023 31st Signal Processing and Communications Applications Conference (SIU 2023)
dc.subjectDenoising diffusion models
dc.subjectGenerative modeling
dc.subjectMedical image synthesis
dc.subjectUnconditional generation
dc.subjectAdversarial networks
dc.subjectGürültüyü giderme difüzyon modelleri
dc.subjectÜretici modelleme
dc.subjectTıbbi görüntü sentezi
dc.subjectKoşulsuz üretim
dc.subjectÇekişmeli ağlar
dc.titleDenoising diffusion adversarial models for unconditional medical image generation
dc.title.alternativeKoşulsuz tıbbi görüntü oluşturma için gürültü giderme difüzyon çekişmeli modeller
dc.typeConference Paper

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Denoising_diffusion_adversarial_models_for_unconditional_medical_image_generation.pdf
Size:
11.71 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.01 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Department of Electrical and Electronics Engineering
Aysel Sabuncu Brain Research Center (BAM)
National Magnetic Resonance Research Center (UMRAM)