[論文レビュー] Diffusion Models for Medical Image Analysis: A Comprehensive Survey

Amirhossein Kazerouni, Ehsan Khodapanah Aghdam+5 more|arXiv (Cornell University)|Nov 14, 2022

Mathematical Biology Tumor Growth被引用数 46

ひとこと要約

本調査は医用画像における拡散モデルを網羅的にレビューし、分類法、モダリティ別の適用、臨床的関連性、制約、およびオープンソース資源を提供します。

ABSTRACT

Denoising diffusion models, a class of generative models, have garnered immense interest lately in various deep-learning problems. A diffusion probabilistic model defines a forward diffusion stage where the input data is gradually perturbed over several steps by adding Gaussian noise and then learns to reverse the diffusion process to retrieve the desired noise-free data from noisy data samples. Diffusion models are widely appreciated for their strong mode coverage and quality of the generated samples despite their known computational burdens. Capitalizing on the advances in computer vision, the field of medical imaging has also observed a growing interest in diffusion models. To help the researcher navigate this profusion, this survey intends to provide a comprehensive overview of diffusion models in the discipline of medical image analysis. Specifically, we introduce the solid theoretical foundation and fundamental concepts behind diffusion models and the three generic diffusion modelling frameworks: diffusion probabilistic models, noise-conditioned score networks, and stochastic differential equations. Then, we provide a systematic taxonomy of diffusion models in the medical domain and propose a multi-perspective categorization based on their application, imaging modality, organ of interest, and algorithms. To this end, we cover extensive applications of diffusion models in the medical domain. Furthermore, we emphasize the practical use case of some selected approaches, and then we discuss the limitations of the diffusion models in the medical domain and propose several directions to fulfill the demands of this field. Finally, we gather the overviewed studies with their available open-source implementations at https://github.com/amirhossein-kz/Awesome-Diffusion-Models-in-Medical-Imaging.

研究の動機と目的

• 拡散モデルの理論的基礎と医用画像への関連性を紹介する。
• 医療における拡散モデルアプローチと応用の体系的な分類法を提供する。
• モダリティ、臓器、タスクを跨ぐ拡散モデルの応用を調査する。
• 臨床現場における拡散モデルの制約、課題、および将来の方向性について議論する。

提案手法

• 拡散モデルの理論とフレームワークを説明する：拡散確率モデル、ノイズ条件付きスコアネットワーク、確率微分方程式。
• アプリケーション、画像モダリティ、臓器、アルゴリズムに基づく多視点分類法を提案する。
• 医療における拡散モデルの応用をカバーするため、2022年10月までおよび2023年4月までの文献をレビューする。
• 実用的なユースケースを要約し、オープンソース実装のGitHubリポジトリを提供する。
• 臨床的関連性と逆問題における合成データおよび拡散事前知識の潜在力を強調する。

実験結果

リサーチクエスチョン

• RQ1 医用画像に適用可能な拡散モデルの主要な理論的フレームワークは何か？
• RQ2 拡散モデルは医療における応用、モダリティ、臓器でどのように分類されているか？
• RQ3 医用画像における拡散モデルの主な臨床上の利点、制約、および未解決の課題は何か？
• RQ4 医療分野の拡散モデル研究を進めるための指針とリソース（例：オープンソース実装）は何か？

主な発見

• 拡散モデルは高いサンプル品質とモードカバレッジを提供し、医用画像におけるGANsやVAEsのいくつかの制約に対処する。
• 医療分野における拡散モデルの文献は急速に拡大しており、調査時点で103件の論文がある。
• 本調査は医用画像における拡散モデルの応用を総合的に扱う初めての調査であり、複数の視点からの分類法を提供する。
• 本研究は臨床適用性、データ不足、プライバシー、逆問題における合成データおよび拡散事前知識の可能性を議論する。
• オープンリソースのGitHubリポジトリは、医用画像における拡散モデル手法のオープンソース実装を集約している。
• 調査は9つの応用カテゴリを特定し、モダリティと臓器横断の適用性を強調しています。）