論文の概要: Synthesis of Brain Tumor MR Images for Learning Data Augmentation

• arxiv url: http://arxiv.org/abs/2003.07526v1
• Date: Tue, 17 Mar 2020 04:43:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:49:41.083810
• Title: Synthesis of Brain Tumor MR Images for Learning Data Augmentation
• Title（参考訳）: 学習データ増強のための脳腫瘍MR画像の合成
• Authors: Sunho Kim, Byungjai Kim, HyunWook Park
• Abstract要約: 深層ニューラルネットワークは、データ学習によって訓練される。 医用画像では十分な患者データを取得することは困難である。 一方、健康なボランティアの医療画像を容易に取得することができる。
• 参考スコア（独自算出の注目度）: 2.4493299476776778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image analysis using deep neural networks has been actively studied. Deep neural networks are trained by learning data. For accurate training of deep neural networks, the learning data should be sufficient, of good quality, and should have a generalized property. However, in medical images, it is difficult to acquire sufficient patient data because of the difficulty of patient recruitment, the burden of annotation of lesions by experts, and the invasion of patients' privacy. In comparison, the medical images of healthy volunteers can be easily acquired. Using healthy brain images, the proposed method synthesizes multi-contrast magnetic resonance images of brain tumors. Because tumors have complex features, the proposed method simplifies them into concentric circles that are easily controllable. Then it converts the concentric circles into various realistic shapes of tumors through deep neural networks. Because numerous healthy brain images are easily available, our method can synthesize a huge number of the brain tumor images with various concentric circles. We performed qualitative and quantitative analysis to assess the usefulness of augmented data from the proposed method. Intuitive and interesting experimental results are available online at https://github.com/KSH0660/BrainTumor
• Abstract（参考訳）: 深層ニューラルネットワークを用いた医用画像解析を積極的に研究している。 深層ニューラルネットワークは、データ学習によって訓練される。 ディープニューラルネットワークの正確なトレーニングには、学習データは十分で、品質も良好で、汎用的な特性を持つべきである。 しかし, 医療画像では, 患者採用の難しさ, 専門家による病変注記の負担, 患者のプライバシの侵害などにより, 十分な患者データを得ることは困難である。 一方、健康なボランティアの医療画像を容易に取得することができる。 健康な脳画像を用いて,脳腫瘍のマルチコントラスト磁気共鳴像を合成する。 腫瘍には複雑な特徴があるため、提案手法はそれらを容易に制御可能な同心円に単純化する。 そして、同心円を深層神経ネットワークを通じて様々な現実的な腫瘍の形に変換する。 多くの健康な脳画像が容易に利用できるため、様々な同心円で大量の脳腫瘍画像を合成することができる。 提案手法による拡張データの有用性を評価するために,定性的,定量的な分析を行った。 直感的で興味深い実験結果がhttps://github.com/ksh0660/braintumorで公開されている。

関連論文リスト

• Detecting Brain Tumors through Multimodal Neural Networks [0.0]
  本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。 結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-10T13:06:52Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Learning to Learn Unlearned Feature for Brain Tumor Segmentation [13.402170359958752]
  そこで本研究では,脳腫瘍の分類を微調整するアルゴリズムを提案し,少数のデータサンプルを必要とせず,ネットワークが元のタスクを忘れないようにする。 本稿では, 高次グリオーマから脳転移への転移学習手法を示し, 提案アルゴリズムがグリオーマと脳転移ドメインのバランスのとれたパラメータを数ステップで達成できることを実証する。
  論文  参考訳（メタデータ） (2023-05-13T05:26:25Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
  本稿では,脳腫瘍MRI画像の生成手法について述べる。 その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。 このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
  論文  参考訳（メタデータ） (2022-12-04T09:01:33Z)
• Deep neuroevolution to predict primary brain tumor grade from functional MRI adjacency matrices [0.0]
  我々は,高次グリオーマ (HGG) と低次グリオーマ (LGG) の2つの重要な脳腫瘍の区別をAIが学べることを示した。 深部神経進化(DNE)を用いた畳み込みニューラルネットワーク(CNN)の訓練を行った。 たった30個の隣接行列でトレーニングした後、私たちのCNNは、完全なテストセットの正確さでLGGとの違いをHGGに伝えることができました。
  論文  参考訳（メタデータ） (2022-11-26T07:13:31Z)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
  グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。 近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。 本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
  論文  参考訳（メタデータ） (2019-12-28T12:45:34Z)

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。