[논문 리뷰] Diffusion Models for Medical Image Analysis: A Comprehensive Survey

Amirhossein Kazerouni, Ehsan Khodapanah Aghdam외 5명|arXiv (Cornell University)|2022. 11. 14.

Mathematical Biology Tumor Growth인용 수 46

한 줄 요약

본 고찰은 의학 영상에서 확산 모델을 포괄적으로 검토하고, 분류 체계, 다양한 모달리티에 걸친 응용, 임상적 관련성, 한계 및 오픈 소스 자원을 제시합니다.

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.

연구 동기 및 목표

• 확산 모델의 이론적 기초와 의학 영상에서의 관련성을 소개한다.
• 의학에서의 확산 모델 접근법과 응용에 대한 체계적 분류 체계를 제공한다.
• 다양한 모달리티, 장기, 과제에 걸친 확산 모델의 응용을 조사한다.
• 임상 현장에서의 한계, 도전 과제 및 향후 방향을 논의한다.

제안 방법

• 확산 확률 모델, 잡음 조건부 스코어 네트워크, 확률 미분 방정식 등을 포함한 확산 모델 이론과 프레임워크를 설명한다.
• 적용, 영상 모달리티, 장기 및 알고리즘에 기반한 다중 관점의 분류 체계를 제안한다.
• 의학에서의 확산 모델 응용을 다루기 위해 2022년 10월까지와 2023년 4월까지의 문헌을 검토한다.
• 실용적 활용 사례를 요약하고 오픈 소스 구현의 GitHub 저장소를 제공한다.
• 역영상 문제에서 합성 데이터와 확산 사전에 대한 임상적 관련성과 잠재력을 강조한다.

실험 결과

연구 질문

• RQ1 의학 영상에 적용 가능한 확산 모델의 핵심 이론 프레임워크는 무엇인가?
• RQ2 의학에서 응용, 모달리티 및 장기에 따라 확산 모델이 어떻게 분류되는가?
• RQ3 의료 영상에서 확산 모델을 사용할 때의 주요 임상 이점, 한계 및 남아 있는 문제는 무엇인가?
• RQ4 의료 분야의 확산 모델 연구를 발전시키기 위한 지침과 자원(예: 오픈 소스 구현)에는 어떤 것이 있는가?

주요 결과

• 확산 모델은 샘플 품질과 모드 커버리지가 뛰어나 의학 영상에서 GAN과 VAE의 일부 한계를 해결한다.
• 의학 분야의 확산 모델에 관한 문헌은 급격히 증가해 조사 시점에 총 103편이었다.
• 의료 영상에서 확산 모델 응용을 포괄적으로 다룬 최초의 고찰이며 다중 관점의 분류 체계를 제공한다.
• 연구는 임상 관련성, 데이터 부족, 프라이버시 및 역영상 문제에 대한 합성 데이터와 확산 프라이어의 가능성을 논의한다.
• 의료 영상에서 확산 모델 방식의 오픈 소스 구현을 모은 오픈 리소스 GitHub 저장소가 있다.
• 본 고찰은 아홉 가지 응용 범주를 식별하고 모달리티와 장기에 걸친 적용 가능성을 강조한다.