論文の概要: Progressively-Growing AmbientGANs For Learning Stochastic Object Models
From Imaging Measurements
- arxiv url: http://arxiv.org/abs/2001.09523v1
- Date: Sun, 26 Jan 2020 21:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 19:26:31.681994
- Title: Progressively-Growing AmbientGANs For Learning Stochastic Object Models
From Imaging Measurements
- Title（参考訳）: 画像計測による確率的物体モデル学習のための進行成長型アンビエントGAN
- Authors: Weimin Zhou, Sayantan Bhadra, Frank J. Brooks, Hua Li, Mark A.
Anastasio
- Abstract要約: 医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。
本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。
医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
- 参考スコア（独自算出の注目度）: 14.501812971529137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective optimization of medical imaging systems requires full
characterization of all sources of randomness in the measured data, which
includes the variability within the ensemble of objects to-be-imaged. This can
be accomplished by establishing a stochastic object model (SOM) that describes
the variability in the class of objects to-be-imaged. Generative adversarial
networks (GANs) can be potentially useful to establish SOMs because they hold
great promise to learn generative models that describe the variability within
an ensemble of training data. However, because medical imaging systems record
imaging measurements that are noisy and indirect representations of object
properties, GANs cannot be directly applied to establish stochastic models of
objects to-be-imaged. To address this issue, an augmented GAN architecture
named AmbientGAN was developed to establish SOMs from noisy and indirect
measurement data. However, because the adversarial training can be unstable,
the applicability of the AmbientGAN can be potentially limited. In this work,
we propose a novel training strategy---Progressive Growing of AmbientGANs
(ProAGAN)---to stabilize the training of AmbientGANs for establishing SOMs from
noisy and indirect imaging measurements. An idealized magnetic resonance (MR)
imaging system and clinical MR brain images are considered. The proposed
methodology is evaluated by comparing signal detection performance computed by
use of ProAGAN-generated synthetic images and images that depict the true
object properties.
- Abstract（参考訳）: 医用画像システムの客観的最適化には、被写体から被写体への可変性を含む、測定データ中のすべてのランダム性源の完全なキャラクタリゼーションが必要である。
これは、対象のクラスにおける変数を記述する確率的オブジェクトモデル(SOM)を確立することで達成できる。
generative adversarial networks (gans) は、トレーニングデータのアンサンブル内で可変性を記述する生成モデルを学ぶという大きな約束を持っているため、somを確立する上で潜在的に有用である。
しかし、医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録できるため、GANを直接適用して、被像物の確率的モデルを構築することはできない。
この問題に対処するため、AmbientGANという拡張GANアーキテクチャが開発され、ノイズや間接測定データからSOMを確立する。
しかし、敵の訓練は不安定であるため、アンビエントGANの適用性は潜在的に制限される可能性がある。
本研究では,雑音および間接的な画像計測からsomを確立するためのアンビエントガン(proagan)のトレーニングを安定化するために,新たなトレーニング戦略を提案する。
理想化磁気共鳴(MR)イメージングシステムと臨床MR脳画像について考察する。
提案手法は,ProAGAN生成した合成画像と真の物体特性を示す画像を用いて,信号検出性能を比較して評価する。
関連論文リスト
- Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。
私たちのフレームワークは、3つの新しい目標のファミリーにつながります。
Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文 参考訳（メタデータ） (2024-10-10T17:18:30Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - AmbientCycleGAN for Establishing Interpretable Stochastic Object Models
Based on Mathematical Phantoms and Medical Imaging Measurements [4.573310303307945]
この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。
提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
論文 参考訳（メタデータ） (2024-02-02T06:30:33Z) - Assessing the capacity of a denoising diffusion probabilistic model to
reproduce spatial context [7.289988602420457]
拡散確率モデル(DDPM)は生成逆数ネットワーク(GAN)と比較して画像合成性能が優れていることを示す
これらの主張は、自然画像用に設計されたアンサンブルベースの手法や、構造的類似性などの画像品質の従来の尺度を用いて評価されている。
本研究は,空間文脈学習におけるDDPMの能力に関する新たな重要な知見を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-19T17:58:35Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning stochastic object models from medical imaging measurements by
use of advanced AmbientGANs [7.987904193401004]
GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。
本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2021-06-27T21:46:23Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Advancing the AmbientGAN for learning stochastic object models [7.445527629361621]
対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。
本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)の2つの高度なアンビエントGANアーキテクチャを提案する。
3D ProAmGANが画像計測から3D SOMを学習し、StyAmGANsが合成物の微細なテクスチャを制御できることを実証した。
論文 参考訳（メタデータ） (2021-01-30T18:08:23Z) - Learning stochastic object models from medical imaging measurements
using Progressively-Growing AmbientGANs [14.501812971529137]
オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。
良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
論文 参考訳（メタデータ） (2020-05-29T18:45:37Z)
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。