Recently, deep neural networks have demonstrated impressive image synthesis and reconstruction performances, and have been extensively studied in various computer vision tasks. In the medical field, weakly supervised lesion localization is taking a lot of interest as its simple requirement on image- level labeling instead of detailed segmentation which is time-consuming and variable based on different physician annotations. While denoising diffusion probabilistic models have achieved high-quality image generation over variational autoencoders (VAEs) and better diversity of samples compared to generative adversarial networks (GANs), it consumes a lot of sampling time and computational resources. All of these models also have the probability of preserving fine details in the image. To address this problem, we implement Denoising Diffusion Implicit Models for abnormal-to-normal medical image translation and estimate the anomaly map as the subtraction between input and reconstructed image. We use the additional classifier model to effectively localize the tumor region in the image and direct DDIM during the forward sampling process. We evaluate our model combination on BraTS 2021 dataset for lesion localization and compare its performance with the original DDPM, and Fix-Point GAN model. The experimental results show that our method can export high-quality image reconstruction and clarify the importance of the classifier model on the DDIM sampling method.
최근 심층 신경망은 인상적인 이미지 합성 및 재구성 성능을 입증했으며 다양한 컴퓨터 비전 작업에서 광범 위하게 연구되었습니다. 의료 분야에서 약하게 감독된 병변 위치 파악은 시간이 많이 걸리고 다양한 의사 주석에 따라 가변적인 세부 분할 대신 이미지 수준 라벨링에 대한 단순한 요구 사항으로 많은 관심을 받고 있습니다. 노이즈 제거 확산 확률 모델은 VAE를 통해 고품질 이미지 생성을 달성하고 GAN에 비해 더 나은 샘플 다양성을 달성했지만 많은 샘플링 시간과 계산 리소스를 소비합니다. 이러한 모든 모델은 이미지의 미 세한 세부 사항을 보존할 가능성도 있습니다. 이 문제를 해결하기 위해 비정상에서 정상으로의 의료 이미지 변환을 위한 노이즈 제거 확산 암시적 모델을 구현하고 입력과 재구성된 이미지 사이의 차감으로 이상 맵을 추정합니다. 추가 분류기 모델을 사용하여 이미지의 종양 영역을 효과적으로 현지화하고 순방향 샘플링 프로세스 중에 DDIM을 지정합니다. 병변 국소화를 위해 BraTS 2021 데이터 세트에서 모델 조합을 평가하 고 원래 DDPM 및 Fix-Point GAN 모델과 성능을 비교합니다. 실험 결과는 우리의 방법이 고품질 이미지 재구성을 내보낼 수 있고 DDIM 샘플링 방법에서 분류기 모델의 중요성을 명확히 할 수 있음을 보여줍니다.
