論文の概要: Multi-modality super-resolution loss for GAN-based super-resolution of
clinical CT images using micro CT image database
- arxiv url: http://arxiv.org/abs/1912.12838v2
- Date: Tue, 7 Apr 2020 11:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 03:01:36.733993
- Title: Multi-modality super-resolution loss for GAN-based super-resolution of
clinical CT images using micro CT image database
- Title（参考訳）: マイクロCT画像データベースを用いたGANによる臨床CT画像のマルチモード超解像
- Authors: Tong Zheng, Hirohisa Oda, Takayasu Moriya, Shota Nakamura, Masahiro
Oda, Masaki Mori, Horitsugu Takabatake, Hiroshi Natori and Kensaku Mori
- Abstract要約: 本稿では,GANに基づく超解像のための多モード損失関数を提案する。
臨床CTおよびマイクロCTボリュームの未整備のトレーニングデータセット上で、画像構造と強度を維持することができる。
- 参考スコア（独自算出の注目度）: 1.5247645805472543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper newly introduces multi-modality loss function for GAN-based
super-resolution that can maintain image structure and intensity on unpaired
training dataset of clinical CT and micro CT volumes. Precise non-invasive
diagnosis of lung cancer mainly utilizes 3D multidetector computed-tomography
(CT) data. On the other hand, we can take micro CT images of resected lung
specimen in 50 micro meter or higher resolution. However, micro CT scanning
cannot be applied to living human imaging. For obtaining highly detailed
information such as cancer invasion area from pre-operative clinical CT volumes
of lung cancer patients, super-resolution (SR) of clinical CT volumes to
$\mu$CT level might be one of substitutive solutions. While most SR methods
require paired low- and high-resolution images for training, it is infeasible
to obtain precisely paired clinical CT and micro CT volumes. We aim to propose
unpaired SR approaches for clincial CT using micro CT images based on unpaired
image translation methods such as CycleGAN or UNIT. Since clinical CT and micro
CT are very different in structure and intensity, direct application of
GAN-based unpaired image translation methods in super-resolution tends to
generate arbitrary images. Aiming to solve this problem, we propose new loss
function called multi-modality loss function to maintain the similarity of
input images and corresponding output images in super-resolution task.
Experimental results demonstrated that the newly proposed loss function made
CycleGAN and UNIT to successfully perform SR of clinical CT images of lung
cancer patients into micro CT level resolution, while original CycleGAN and
UNIT failed in super-resolution.
- Abstract（参考訳）: 本稿では,臨床用ctおよびマイクロctボリュームの非ペアトレーニングデータセットにおける画像構造と強度を維持できるgan系超解像度用マルチモダリティ損失関数を新たに導入する。
3D Multidetector Computed-tomography (CT) を用いて肺癌の非侵襲診断を行った。
一方,切除肺標本のマイクロCT像を50マイクロメートル以上の高分解能で撮影することができる。
しかし、マイクロctスキャンは生きている人間のイメージングには適用できない。
肺癌患者の術前臨床CTボリュームから癌浸潤面積などの高精細な情報を得るためには,臨床CTボリュームの超解像(SR)から$\mu$CTレベルまでを代替ソリューションの1つとして考えられる。
ほとんどのsr法は訓練のために低解像度画像と高解像度画像のペアを必要とするが、臨床用ctとマイクロctの正確なペア画像を得ることは不可能である。
本稿では,CycleGAN や UNIT などの画像翻訳手法を応用したマイクロCT画像を用いた,角膜CTのための未ペアSR手法を提案する。
臨床CTとマイクロCTは構造と強度において非常に異なるため,超高分解能画像へのGANベースの未ペア画像変換法の直接適用は任意の画像を生成する傾向にある。
本研究では,超解像タスクにおいて入力画像と対応する出力画像の類似性を維持するために,マルチモダリティ損失関数と呼ばれる新しい損失関数を提案する。
実験の結果,新たに提案された損失関数により,肺がん患者の臨床CT画像のSRをマイクロCTレベルに向上させることができたが,オリジナルのCycleGANとUNITは超解像に失敗した。
関連論文リスト
- WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。
WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文 参考訳（メタデータ） (2024-03-18T11:20:11Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T10:09:01Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Synthetic CT Generation from MRI using 3D Transformer-based Denoising
Diffusion Model [2.232713445482175]
磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。
本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
論文 参考訳（メタデータ） (2023-05-31T00:32:00Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - Micro CT Image-Assisted Cross Modality Super-Resolution of Clinical CT
Images Utilizing Synthesized Training Dataset [1.590436505368218]
臨床CTの高解像度化は肺癌の診断に有用である。
修正CycleGANによる臨床CT画像のシミュレーションにより, 対応する臨床CT-mu$CTペアを作成する。
SRGANをベースとしたSRネットワークのトレーニングには,CT-$mu$CT画像ペアを用いた。
論文 参考訳（メタデータ） (2020-10-20T11:40:24Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - Super-resolution of clinical CT volumes with modified CycleGAN using
micro CT volumes [1.4695026366952046]
本稿では,臨床CTおよびマイクロCTボリュームのトレーニングデータセットを欠いた超解像(SR)法を提案する。
そこで我々はCycleGANをベースとしたSRアプローチを提案し,臨床CTのSRを$mu$CTレベルにすることができる。
実験の結果,肺がん患者の臨床CT容積のSRを$mu$CTレベルに向上させる方法が得られた。
論文 参考訳（メタデータ） (2020-04-07T11:12:24Z) - STAN-CT: Standardizing CT Image using Generative Adversarial Network [10.660781755744312]
我々は,CT画像の標準化と標準化のためにSTAN-CTと呼ばれるエンドツーエンドのソリューションを提案する。
STAN-CTは, 数ラウンドのジェネレータトレーニングで標準画像プロトコルのデータ分散を効果的に学習できる新しいGANモデルと, 体系的な画像品質制御を備えたDICOM再構築パイプラインの2つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2020-04-02T23:43:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。