Denoising diffusion adversarial models for unconditional medical image generation
buir.contributor.author | Dalmaz, Onat | |
buir.contributor.author | Sağlam, Baturay | |
buir.contributor.author | Elmas, Gökberk | |
buir.contributor.author | Mirza, Muhammad Usama | |
buir.contributor.author | Çukur, Tolga | |
buir.contributor.orcid | Dalmaz, Onat|0000-0001-7978-5311 | |
buir.contributor.orcid | Sağlam, Baturay|0000-0002-8324-5980 | |
buir.contributor.orcid | Elmas, Gökberk|0000-0003-0124-6048 | |
buir.contributor.orcid | Mirza, Muhammad Usama|0009-0001-2146-7940 | |
buir.contributor.orcid | Çukur, Tolga|0000-0002-2296-851X | |
dc.citation.epage | 5 | en_US |
dc.citation.spage | 1 | |
dc.contributor.author | Dalmaz, Onat | |
dc.contributor.author | Sağlam, Baturay | |
dc.contributor.author | Elmas, Gökberk | |
dc.contributor.author | Mirza, Muhammad Usama | |
dc.contributor.author | Çukur, Tolga | |
dc.coverage.spatial | İstanbul, Türkiye | |
dc.date.accessioned | 2024-03-22T11:32:51Z | |
dc.date.available | 2024-03-22T11:32:51Z | |
dc.date.issued | 2023-08-28 | |
dc.department | Department of Electrical and Electronics Engineering | |
dc.department | National Magnetic Resonance Research Center (UMRAM) | |
dc.department | Aysel Sabuncu Brain Research Center (BAM) | |
dc.description | Date of Conference: 05-08 July 2023 | |
dc.description | Conference Name: 31st IEEE Conference on Signal Processing and Communications Applications, SIU 2023 | |
dc.description.abstract | Unconditional 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.abstract | Koşulsuz 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.description.provenance | Made available in DSpace on 2024-03-22T11:32:51Z (GMT). No. of bitstreams: 1 Denoising_diffusion_adversarial_models_for_unconditional_medical_image_generation.pdf: 12281306 bytes, checksum: 0ff19c7640beca17d0fd062473e9f262 (MD5) Previous issue date: 2023-08 | en |
dc.identifier.doi | 10.1109/SIU59756.2023.10223912 | |
dc.identifier.eisbn | 9798350343557 | |
dc.identifier.isbn | 9798350343564 | |
dc.identifier.issn | 2165-0608 | |
dc.identifier.uri | https://hdl.handle.net/11693/115081 | |
dc.language.iso | English | |
dc.publisher | IEEE - Institute of Electrical and Electronics Engineers | |
dc.relation.isversionof | https://dx.doi.org/10.1109/SIU59756.2023.10223912 | |
dc.source.title | 2023 31st Signal Processing and Communications Applications Conference (SIU 2023) | |
dc.subject | Denoising diffusion models | |
dc.subject | Generative modeling | |
dc.subject | Medical image synthesis | |
dc.subject | Unconditional generation | |
dc.subject | Adversarial networks | |
dc.subject | Gürültüyü giderme difüzyon modelleri | |
dc.subject | Üretici modelleme | |
dc.subject | Tıbbi görüntü sentezi | |
dc.subject | Koşulsuz üretim | |
dc.subject | Çekişmeli ağlar | |
dc.title | Denoising diffusion adversarial models for unconditional medical image generation | |
dc.title.alternative | Koşulsuz tıbbi görüntü oluşturma için gürültü giderme difüzyon çekişmeli modeller | |
dc.type | Conference Paper |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Denoising_diffusion_adversarial_models_for_unconditional_medical_image_generation.pdf
- Size:
- 11.71 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.01 KB
- Format:
- Item-specific license agreed upon to submission
- Description: