DiffMCG：マスク条件付きガイディングモジュールを備えた拡散モデルによる医療画像分類

科学分野:

• 人工知能
• 医用画像処理
• コンピュータビジョン

背景:

• 拡散モデルは、ノイズを低減することにより、医療画像分類において有望であることを示しています。
• 現在のモデルでは、重要な病変マスク情報が見落とされており、デノイズと分類のパフォーマンスが制限されています。

研究 の 目的:

• マスク条件付きガイディングを組み込んだ拡散モデルであるDiffMCGを提案し、医療画像分類を強化すること。
• 画像と病変マスクの両方の特徴を利用して、デノイズと分類の精度を向上させること。

主な方法:

• 医療画像とそのマスクから特徴を抽出するために、マスク条件付きガイディング（MCG）モジュールを導入しました。
• カテゴリラベル空間内でのデノイズのために、多層パーセプトロン（MLP）を使用したU-Netデノイズネットワークを設計しました。
• 拡散中のマルチモーダル情報の一貫性のためにMMD正則化損失を実装しました。

主要な成果:

• 比較実験およびアブレーション実験により、MCGモジュールの有効性が検証されました。
• 提案されたDiffMCGモデルは、優れたデノイズおよび分類性能を示しました。
• MCGモジュールは、構造化された意味情報の利用を大幅に改善しました。

結論:

• DiffMCGは、病変マスク情報を効果的に統合することにより、医療画像分類を強化します。
• MCGモジュールは、精密医療診断のための技術的サポートを提供します。
• このアプローチは、ヘルスケアにおける拡散モデルの応用を進歩させます。