인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
Deep learning models have shown success in medical image classification and segmentation, but their performance is constrained by the limited availability of high-quality training data. Existing generative approaches remain insufficient for synthesizing anatomically accurate and high- resolution medical volumes. To address these limitations, we propose a novel framework that jointly synthesizes segmentation labels and corresponding volumetric images using latent diffusion models guided by ControlNet. Our method first generates synthetic labels, which are used as spatial conditions to guide the generation of anatomically consistent MRI volumes. Trained on 720 abdominal MRI scans, the proposed model achieves a 26.7% reduction in Fréchet Inception Distance (FID) compared to conventional methods, indicating improved image fidelity. Incorporating the synthetic data into 3D segmentation tasks further improves performance, yielding an average Dice score increase of 0.76%. These findings demonstrate the potential of our approach to alleviate data scarcity and enhance medical image synthesis.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093772661
