論文の概要: Visualisation of Medical Image Fusion and Translation for Accurate Diagnosis of High Grade Gliomas

• arxiv url: http://arxiv.org/abs/2001.09535v3
• Date: Thu, 30 Jan 2020 13:35:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 19:34:55.515740
• Title: Visualisation of Medical Image Fusion and Translation for Accurate Diagnosis of High Grade Gliomas
• Title（参考訳）: 高次グリオーマの正確な診断のための医用画像融合と翻訳の可視化
• Authors: Nishant Kumar, Nico Hoffmann, Matthias Kirsch and Stefan Gumhold
• Abstract要約: 医用画像融合は2つ以上のモダリティを1つのビューに組み合わせ、医用画像翻訳は新しい画像を合成し、データ拡張を支援する。 これらの手法は悪性グリオーマの診断の迅速化に有効である。 しかし、神経外科医は、術前の外科的決定を行う前に、融合と翻訳結果の信頼性を検証する堅牢な可視化ツールを要求するため、信頼できないかもしれない。 本稿では,2つの画像の連成確率分布を用いて,ソースからターゲット画像への情報伝達を推定することにより,ソースとターゲット画像のペア間の信頼度分布を計算する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.03214216212562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The medical image fusion combines two or more modalities into a single view while medical image translation synthesizes new images and assists in data augmentation. Together, these methods help in faster diagnosis of high grade malignant gliomas. However, they might be untrustworthy due to which neurosurgeons demand a robust visualisation tool to verify the reliability of the fusion and translation results before they make pre-operative surgical decisions. In this paper, we propose a novel approach to compute a confidence heat map between the source-target image pair by estimating the information transfer from the source to the target image using the joint probability distribution of the two images. We evaluate several fusion and translation methods using our visualisation procedure and showcase its robustness in enabling neurosurgeons to make finer clinical decisions.
• Abstract（参考訳）: 医用画像融合は2つ以上のモダリティを1つのビューに組み合わせ、医用画像翻訳は新しい画像を合成し、データ拡張を支援する。 これらの手法は,高悪性グリオーマの早期診断に有用である。 しかし、神経外科医は、術前の外科的決定を行う前に、融合と翻訳結果の信頼性を検証する堅牢な可視化ツールを要求するため、信頼できないかもしれない。 本稿では,2つの画像の同時確率分布を用いて,ソースからターゲット画像への情報伝達を推定することにより,ソースとターゲット画像対間の信頼度ヒートマップを計算する新しい手法を提案する。 可視化手法を用いていくつかの融合翻訳法を評価し,神経外科医がより詳細な臨床診断を行えるようにした。

関連論文リスト

• Simultaneous Tri-Modal Medical Image Fusion and Super-Resolution using Conditional Diffusion Model [2.507050016527729]
  トリモーダル医療画像融合は、病気の形状、位置、生物学的活動をより包括的に見ることができる。 画像装置の限界や患者の安全への配慮により、医療画像の品質は制限されることが多い。 画像の解像度を向上し、マルチモーダル情報を統合できる技術が緊急に必要である。
  論文  参考訳（メタデータ） (2024-04-26T12:13:41Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• Multi-modal Medical Neurological Image Fusion using Wavelet Pooled Edge Preserving Autoencoder [3.3828292731430545]
  本稿では,エッジ保存型高密度オートエンコーダネットワークに基づくマルチモーダル医用画像に対するエンドツーエンド非教師付き核融合モデルを提案する。 提案モデルでは,特徴マップのウェーブレット分解に基づくアテンションプールを用いて特徴抽出を改善する。 提案モデルでは,ソース画像の強度分布の把握を支援する様々な医用画像ペアを訓練する。
  論文  参考訳（メタデータ） (2023-10-18T11:59:35Z)
• A New Multimodal Medical Image Fusion based on Laplacian Autoencoder with Channel Attention [3.1531360678320897]
  ディープラーニングモデルは、非常に堅牢で正確なパフォーマンスでエンドツーエンドの画像融合を実現した。 ほとんどのDLベースの融合モデルは、学習可能なパラメータや計算量を最小限に抑えるために、入力画像上でダウンサンプリングを行う。 本稿では,ラープラシア・ガウス統合とアテンションプールを融合したマルチモーダル医用画像融合モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-18T11:29:53Z)
• Three-Dimensional Medical Image Fusion with Deformable Cross-Attention [10.26573411162757]
  マルチモーダル医療画像融合は、医療画像処理のいくつかの領域において重要な役割を担っている。 従来の融合法は、特徴を組み合わせて融合像を再構成する前に、それぞれのモダリティを独立して処理する傾向にある。 本研究では,これらの制限を是正するために設計された,革新的な教師なしの相互学習融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-10T04:10:56Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Coupled Feature Learning for Multimodal Medical Image Fusion [42.23662451234756]
  マルチモーダル画像融合は、取得した画像と異なるセンサーの関連情報を組み合わせることを目指しています。 本稿では,結合辞書学習に基づく新しいマルチモーダル画像融合法を提案する。
  論文  参考訳（メタデータ） (2021-02-17T09:13:28Z)

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。