Fugu-MT 論文翻訳(概要): Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks

論文の概要: Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks

arxiv url: http://arxiv.org/abs/2001.10830v1
Date: Mon, 27 Jan 2020 23:39:47 GMT
ステータス: 処理完了
システム内更新日: 2023-01-06 08:08:30.225998
Title: Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks
Title（参考訳）: 生成型逆ネットワークを用いた画像適応前処理による医用画像再構成
Authors: Sayantan Bhadra, Weimin Zhou, and Mark A. Anastasio
Abstract要約: 不完全な医用画像データから高忠実度画像を再構成するために,画像適応型GANベースの再構成手法を適用した。 IAGAN法は, 診断に関連があるものの, 従来のスポーシティ・プロモーティング・レギュラー化による再建では過度に再現される可能性があると考えられる。
参考スコア（独自算出の注目度）: 12.288269320420486
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical image reconstruction is typically an ill-posed inverse problem. In order to address such ill-posed problems, the prior distribution of the sought after object property is usually incorporated by means of some sparsity-promoting regularization. Recently, prior distributions for images estimated using generative adversarial networks (GANs) have shown great promise in regularizing some of these image reconstruction problems. In this work, we apply an image-adaptive GAN-based reconstruction method (IAGAN) to reconstruct high fidelity images from incomplete medical imaging data. It is observed that the IAGAN method can potentially recover fine structures in the object that are relevant for medical diagnosis but may be oversmoothed in reconstructions with traditional sparsity-promoting regularization.
Abstract（参考訳）: 医用画像再構成は一般的に逆問題である。このような不正な問題に対処するために、対象物の性質の先行分布は、通常、いくつかのスパース性促進正規化によって取り込まれる。近年,GAN(Generative Adversarial Network)を用いて推定した画像の事前分布は,これらの画像再構成問題を正規化する上で大きな可能性を示している。本研究では,画像適応型GAN再構成法を用いて,不完全な医用画像データから高忠実度画像の再構成を行う。 IAGAN法は, 診断に関連があるものの, 従来のスポーシティ・プロモーティング・レギュラー化による再建では過度に再現される可能性があると考えられる。

関連論文リスト

Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2024-05-21T15:41:34Z)
Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文参考訳（メタデータ） (2024-02-06T15:52:23Z)
In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文参考訳（メタデータ） (2023-09-25T08:42:06Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Prior image-based medical image reconstruction using a style-based generative adversarial network [15.757204774959366]
本研究では,画像再構成問題に制約を与えるために,スタイルベースの生成逆ネットワーク(StyleGAN)を提案する。最適化問題はStyleGANの中間潜時空間で定式化され、意味のある画像属性に対してアンタングル化される。 MRイメージングにインスパイアされたスタイリングされた数値研究は、追尾と先行画像が構造的に類似しているように設計されている。
論文参考訳（メタデータ） (2022-02-17T23:28:10Z)
Equivariance Regularization for Image Reconstruction [5.025654873456756]
不完全な測定条件下での画像逆問題に対する構造適応正則化手法を提案する。この正規化スキームは、測定の物理学における同変構造を利用して、逆問題の不当な位置を緩和する。提案手法は,古典的な一階最適化アルゴリズムとともに,プラグ・アンド・プレイ方式で適用することができる。
論文参考訳（メタデータ） (2022-02-10T14:38:08Z)
Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文参考訳（メタデータ） (2021-08-12T08:46:35Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
On hallucinations in tomographic image reconstruction [3.486901561986149]
不正確な事前は、再建された画像に偽構造が幻覚される可能性がある。深部ニューラルネットワークは画像再構成問題を正規化するために活発に研究されている。
論文参考訳（メタデータ） (2020-12-01T17:14:28Z)
Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
論文参考訳（メタデータ） (2020-10-22T20:40:44Z)
Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。