論文の概要: 4D Semantic Cardiac Magnetic Resonance Image Synthesis on XCAT
Anatomical Model
- arxiv url: http://arxiv.org/abs/2002.07089v3
- Date: Wed, 20 May 2020 14:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 11:50:12.391876
- Title: 4D Semantic Cardiac Magnetic Resonance Image Synthesis on XCAT
Anatomical Model
- Title（参考訳）: XCAT解剖モデルを用いた4次元セマンティック心臓磁気共鳴画像合成
- Authors: Samaneh Abbasi-Sureshjani, Sina Amirrajab, Cristian Lorenz, Juergen
Weese, Josien Pluim, Marcel Breeuwer
- Abstract要約: 心臓磁気共鳴画像(CMR)を3D+tラベルで合成するハイブリッド制御可能な画像生成法を提案する。
本手法は, 解剖学的根拠として, メカニスティック4D eXtended CArdiac Torso (XCAT) 心モデルを用いている。
本研究では、条件付き画像合成にSPADE(State-of-the-the-the-art SPatially Adaptive De-normalization)技術を用いる。
- 参考スコア（独自算出の注目度）: 0.7959841510571622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a hybrid controllable image generation method to synthesize
anatomically meaningful 3D+t labeled Cardiac Magnetic Resonance (CMR) images.
Our hybrid method takes the mechanistic 4D eXtended CArdiac Torso (XCAT) heart
model as the anatomical ground truth and synthesizes CMR images via a
data-driven Generative Adversarial Network (GAN). We employ the
state-of-the-art SPatially Adaptive De-normalization (SPADE) technique for
conditional image synthesis to preserve the semantic spatial information of
ground truth anatomy. Using the parameterized motion model of the XCAT heart,
we generate labels for 25 time frames of the heart for one cardiac cycle at 18
locations for the short axis view. Subsequently, realistic images are generated
from these labels, with modality-specific features that are learned from real
CMR image data. We demonstrate that style transfer from another cardiac image
can be accomplished by using a style encoder network. Due to the flexibility of
XCAT in creating new heart models, this approach can result in a realistic
virtual population to address different challenges the medical image analysis
research community is facing such as expensive data collection. Our proposed
method has a great potential to synthesize 4D controllable CMR images with
annotations and adaptable styles to be used in various supervised multi-site,
multi-vendor applications in medical image analysis.
- Abstract（参考訳）: 心臓磁気共鳴(CMR)画像から解剖学的に意味のある3D+tを合成するハイブリッド制御可能な画像生成法を提案する。
本手法は, 機械的4D eXtended CArdiac Torso(XCAT)心臓モデルを解剖学的根拠として捉え, データ駆動型ジェネレーティブ・アドバイサル・ネットワーク(GAN)を用いてCMR画像を合成する。
条件付き画像合成に最先端の空間適応的非正規化(spade)手法を用い,基底真理解剖学の意味的空間情報を保存する。
xcat心のパラメタライズド運動モデルを用いて,心臓の25時間フレームのラベルを,短軸視で18箇所で1心周期で生成する。
その後、これらのラベルから現実的な画像が生成され、実際のCMR画像データから学習されるモダリティ固有の特徴を持つ。
スタイルエンコーダネットワークを用いて、別の心臓画像からのスタイル転送を行うことができることを示す。
新しい心臓モデルの作成におけるxcatの柔軟性のため、このアプローチは現実的な仮想人口を発生させ、高価なデータ収集のような医療画像分析研究コミュニティが直面しているさまざまな課題に対処することができる。
提案手法は4次元制御可能なcmr画像を医用画像解析において様々な教師付きマルチサイトマルチベンダアプリケーションに適用可能なアノテーションと適応スタイルで合成する大きな可能性を秘めている。
関連論文リスト
- 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) - Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。
従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。
そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T17:19:31Z) - A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of
3D Echocardiography Images using a GAN [6.0419497882916655]
本研究では,3次元心エコー画像とそれに対応する基底真理ラベルを合成する画像生成パイプラインを提案する。
提案手法は, 心臓の詳細な解剖学的区分を基底真理ラベル源として利用する。
論文 参考訳（メタデータ） (2024-03-08T15:26:27Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and
GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。
画像合成はラベル変形とラベルから画像への変換からなる。
心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文 参考訳（メタデータ） (2022-09-09T10:17:49Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳（メタデータ） (2020-12-04T05:08:53Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - XCAT-GAN for Synthesizing 3D Consistent Labeled Cardiac MR Images on
Anatomically Variable XCAT Phantoms [0.7153299673914196]
GAN(Generative Adversarial Network)は、高忠実度画像の合成により、有望なデータ濃縮ソリューションを提供する。
そこで本研究では, 心磁気共鳴(CMR)画像を, 解剖学的変化が大きい仮想被験者の集団に合成する方法を提案する。
論文 参考訳（メタデータ） (2020-07-27T10:05:04Z) - Diffusion-Weighted Magnetic Resonance Brain Images Generation with
Generative Adversarial Networks and Variational Autoencoders: A Comparison
Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。
Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文 参考訳（メタデータ） (2020-06-24T18:00:01Z) - On the effectiveness of GAN generated cardiac MRIs for segmentation [12.59275199633534]
本稿では,心形態の潜在表現を学習するための変分オートエンコーダ(VAE)を提案する。
一方、GANは、与えられた解剖学的マップに適した現実的なMR画像を生成するために、"SPatially-Adaptive (DE)Normalization"モジュールを使用する。
合成アノテート画像を用いて訓練したCNNのセグメンテーションは,従来の手法と比較して競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-05-18T18:48:38Z)
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。