論文の概要: Manifold-Aware CycleGAN for High-Resolution Structural-to-DTI Synthesis
- arxiv url: http://arxiv.org/abs/2004.00173v3
- Date: Fri, 18 Sep 2020 00:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 19:23:26.043133
- Title: Manifold-Aware CycleGAN for High-Resolution Structural-to-DTI Synthesis
- Title(参考訳): 高分解能構造-DTI合成のためのManifold-Aware CycleGAN
- Authors: Benoit Anctil-Robitaille, Christian Desrosiers, Herve Lombaert
- Abstract要約: 本稿では,T1w画像から高分解能DTIの生成を学習する多様体対応CycleGANを提案する。
提案手法は,拡散測定値の計算やファイバトラクトグラフィーアルゴリズムの実行に使用可能な,現実的な高分解能DTIを生成することができる。
- 参考スコア(独自算出の注目度): 8.829738147738222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unpaired image-to-image translation has been applied successfully to natural
images but has received very little attention for manifold-valued data such as
in diffusion tensor imaging (DTI). The non-Euclidean nature of DTI prevents
current generative adversarial networks (GANs) from generating plausible images
and has mainly limited their application to diffusion MRI scalar maps, such as
fractional anisotropy (FA) or mean diffusivity (MD). Even if these scalar maps
are clinically useful, they mostly ignore fiber orientations and therefore have
limited applications for analyzing brain fibers. Here, we propose a
manifold-aware CycleGAN that learns the generation of high-resolution DTI from
unpaired T1w images. We formulate the objective as a Wasserstein distance
minimization problem of data distributions on a Riemannian manifold of
symmetric positive definite 3x3 matrices SPD(3), using adversarial and
cycle-consistency losses. To ensure that the generated diffusion tensors lie on
the SPD(3) manifold, we exploit the theoretical properties of the exponential
and logarithm maps of the Log-Euclidean metric. We demonstrate that, unlike
standard GANs, our method is able to generate realistic high-resolution DTI
that can be used to compute diffusion-based metrics and potentially run fiber
tractography algorithms. To evaluate our model's performance, we compute the
cosine similarity between the generated tensors principal orientation and their
ground-truth orientation, the mean squared error (MSE) of their derived FA
values and the Log-Euclidean distance between the tensors. We demonstrate that
our method produces 2.5 times better FA MSE than a standard CycleGAN and up to
30% better cosine similarity than a manifold-aware Wasserstein GAN while
synthesizing sharp high-resolution DTI.
- Abstract(参考訳): 画像から画像への非対訳は自然画像にうまく適用されているが、拡散テンソル画像(dti)のような多様体値データにはほとんど注目されていない。
DTIの非ユークリッド的な性質は、現在の生成逆数ネットワーク(GAN)が可塑性画像を生成するのを防ぎ、主に分画異方性(FA)や平均微分率(MD)のような拡散MRIスカラーマップへの応用に制限されている。
これらのスカラーマップが臨床的に有用であるとしても、主に繊維の配向を無視し、脳線維の分析に限定的な応用がある。
本稿では,未知のT1w画像から高分解能DTIの生成を学習する,多様体対応のCycleGANを提案する。
対称正定値 3x3 行列 SPD(3) のリーマン多様体上のデータ分布のワッサーシュタイン距離最小化問題として、逆およびサイクル整合損失を用いて目的を定式化する。
生成された拡散テンソルが SPD(3) 多様体上に存在することを保証するため、対数ユークリッド計量の指数写像と対数写像の理論的性質を利用する。
提案手法は,標準のGANと異なり,拡散に基づくメトリクスの計算やファイバトラクトグラフィーアルゴリズムの実行に使用可能な,現実的な高分解能DTIを生成することができる。
モデルの性能を評価するために,生成したテンソルの主方位とその接地方向のコサイン類似性,導出されたfa値の平均二乗誤差(mse),テンソル間の対ユークリッド距離を計算する。
本手法は,高分解能dtiを合成しながら,標準サイクルガンより2.5倍,多様体認識ワッサースタインganよりも最大30%高いコサイン類似性を示す。
関連論文リスト
- StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳(メタデータ) (2023-12-02T02:27:58Z) - Anisotropic Diffusion Stencils: From Simple Derivations over Stability Estimates to ResNet Implementations [6.923007095578702]
3 x 3 個のステンシル上の有限差分判別の大きい族を研究する。
2次元異方性拡散を4つの1次元拡散に分割することによって導出する。
我々はステンシルに対応する行列のスペクトルノルムに有界性を確立する。
論文 参考訳(メタデータ) (2023-09-11T16:03:00Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳(メタデータ) (2023-02-07T10:51:53Z) - TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted
Diffusion Tensor Imaging [32.02624872108258]
本稿では,DTIスライスを塗布する3D-Wise-Aware Gate Network (TW-BAG)を提案する。
提案手法をHuman Connectome Project (HCP) データセット上で評価した。
実験の結果,提案手法は脳のDTI容積を再構築し,関連性のある臨床画像情報を復元できることが示唆された。
論文 参考訳(メタデータ) (2022-10-31T05:53:02Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - 2D+3D facial expression recognition via embedded tensor manifold
regularization [16.98176664818354]
2D+3次元表情認識(FERETMR)のための埋め込みテンソル多様体正規化による新しい手法を提案する。
定常点の観点から一階最適条件を確立し、収束解析によるブロック座標降下(BCD)アルゴリズムを設計する。
BU-3DFEデータベースとBosphorusデータベースの数値計算結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-01-29T06:11:00Z) - Diffusion Tensor Estimation with Transformer Neural Networks [8.219843232619551]
拡散重み付き6つの測定値から拡散テンソルを正確に推定する手法を提案する。
本手法は,近隣のボクセルにおける拡散信号とテンソルの関係を学習することでこれを実現できる。
特に新生児や乳児などの非協力的な患者では, スキャン時間が短く, 脳白質の信頼性が向上することが期待できる。
論文 参考訳(メタデータ) (2022-01-14T22:57:48Z) - Manifold-aware Synthesis of High-resolution Diffusion from Structural
Imaging [12.96280888284293]
本稿では,高分解能T1w画像からの拡散テンソル(DT)と拡散配向分布関数(dODF)の直接生成のためのネットワークアーキテクチャを提案する。
提案手法は,合成拡散と接地トラス間の分数異方性平均二乗誤差(FA MSE)を23%以上改善する。
構造入力から15秒以内で高分解能拡散画像を生成することができるが,T1w画像のみに依存する拡散推定の限界を認識し,議論する。
論文 参考訳(メタデータ) (2021-08-09T16:00:40Z)
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。