論文の概要: Synthetic Magnetic Resonance Images with Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2002.02527v1
- Date: Fri, 17 Jan 2020 11:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:40:47.750888
- Title: Synthetic Magnetic Resonance Images with Generative Adversarial Networks
- Title（参考訳）: 生成共振ネットワークを用いた合成磁気共鳴画像
- Authors: Antoine Delplace
- Abstract要約: 本研究では,新しい脳MRIを生成するために,異なる損失関数を持つ3つのGANアーキテクチャを実験した。
その結果、高次パラメータチューニングの重要性と、識別器におけるミニバッチ類似層と、損失関数における勾配ペナルティを用いて、高品質で現実主義的な収束を実現することが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation is essential for medical research to increase the size of
training datasets and achieve better results. In this work, we experiment three
GAN architectures with different loss functions to generate new brain MRIs. The
results show the importance of hyperparameter tuning and the use of mini-batch
similarity layer in the Discriminator and gradient penalty in the loss function
to achieve convergence with high quality and realism. Moreover, huge
computation time is needed to generate indistinguishable images from the
original dataset.
- Abstract（参考訳）: データ拡張は、トレーニングデータセットのサイズを増加させ、より良い結果を達成するために医療研究に不可欠である。
本研究では,新しい脳MRIを生成するために,異なる損失関数を持つ3つのGANアーキテクチャを実験した。
その結果、高パラメータチューニングの重要性と、識別器におけるミニバッチ類似層と、損失関数における勾配ペナルティを用いて、高品質でリアルな収束を実現することが示唆された。
さらに、元のデータセットから識別不能な画像を生成するには、膨大な計算時間が必要である。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Learning Sequential Information in Task-based fMRI for Synthetic Data
Augmentation [10.629487323161323]
本稿では、下流学習における強化トレーニングデータセットの作成に使用できる合成fMRIシーケンスの生成手法を提案する。
合成画像は、可視化や自閉症スペクトラム障害(ASD)分類タスクを含む複数の視点から評価される。
論文 参考訳（メタデータ） (2023-08-29T18:36:21Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-09-19T07:26:45Z) - Scale-Equivariant Unrolled Neural Networks for Data-Efficient
Accelerated MRI Reconstruction [33.82162420709648]
本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。
我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
論文 参考訳（メタデータ） (2022-04-21T23:29:52Z) - Data Augmentation For Medical MR Image Using Generative Adversarial
Networks [10.525550396457586]
本研究は,構造類似性損失関数(PGGAN-SSIM)を用いたGANの進行的成長を改善し,画像のぼかし問題とモデル崩壊を解決する。
その結果,PGGAN-SSIMは256×256個の脳腫瘍MR画像を生成することに成功した。
論文 参考訳（メタデータ） (2021-11-29T01:59:50Z) - Functional Magnetic Resonance Imaging data augmentation through
conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。
本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文 参考訳（メタデータ） (2021-07-11T22:36:14Z) - 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) - 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)
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。