Synchronous Image-Label Diffusion Probability Model With Application to Stroke Lesion Segmentation on Non-Contrast CT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The stroke lesion volume is a key radiologic measurement for assessing the prognosis of acute ischemic stroke (AIS) patients, which is challenging to be automatically measured on noncontrast CT (NCCT) scans. Recent diffusion probabilistic models (DPMs) in the domain of image generation have shown potentials of being used for lesion volume segmentation on medical images. In this article, a novel synchronous image-label diffusion probability model (SDPM) is proposed for stroke lesion segmentation on NCCT using a dual-Markov diffusion process with shared noise. The proposed SDPM is fully based on a generative latent variable model (LVM), offering a probabilistic elaboration from stem to stem. To fit into our segmentation tasks using the strength from generation models, we develop the architecture of the network where an additional net-stream, parallel with a noise prediction stream, is introduced to obtain the initial label estimates with noise for efficiently inferring the final labels. By optimizing the specified variational boundaries, the trained model can infer the final label estimates given the input images at any scale of time in four different label-inference methods, which gives more flexibility to the proposed SDPM. The proposed model was assessed on three stroke lesion datasets including one public and two private datasets. Compared with several U-Net, transformer, and DPM-based segmentation methods, our proposed SDPM model is able to achieve the state-of-the-art accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle