論文の概要: STAN-CT: Standardizing CT Image using Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2004.01307v1
- Date: Thu, 2 Apr 2020 23:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 10:13:47.779983
- Title: STAN-CT: Standardizing CT Image using Generative Adversarial Network
- Title(参考訳): STAN-CT:ジェネレーティブ・ディバイサル・ネットワークを用いたCT画像の標準化
- Authors: Md Selim, Jie Zhang, Baowei Fei, Guo-Qiang Zhang and Jin Chen
- Abstract要約: 我々は,CT画像の標準化と標準化のためにSTAN-CTと呼ばれるエンドツーエンドのソリューションを提案する。
STAN-CTは, 数ラウンドのジェネレータトレーニングで標準画像プロトコルのデータ分散を効果的に学習できる新しいGANモデルと, 体系的な画像品質制御を備えたDICOM再構築パイプラインの2つのコンポーネントから構成される。
- 参考スコア(独自算出の注目度): 10.660781755744312
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed tomography (CT) plays an important role in lung malignancy
diagnostics and therapy assessment and facilitating precision medicine
delivery. However, the use of personalized imaging protocols poses a challenge
in large-scale cross-center CT image radiomic studies. We present an end-to-end
solution called STAN-CT for CT image standardization and normalization, which
effectively reduces discrepancies in image features caused by using different
imaging protocols or using different CT scanners with the same imaging
protocol. STAN-CT consists of two components: 1) a novel Generative Adversarial
Networks (GAN) model that is capable of effectively learning the data
distribution of a standard imaging protocol with only a few rounds of generator
training, and 2) an automatic DICOM reconstruction pipeline with systematic
image quality control that ensure the generation of high-quality standard DICOM
images. Experimental results indicate that the training efficiency and model
performance of STAN-CT have been significantly improved compared to the
state-of-the-art CT image standardization and normalization algorithms.
- Abstract(参考訳): CTは肺悪性度診断と治療評価において重要な役割を担い、正確な医療提供を促進する。
しかし、パーソナライズされた画像プロトコルの使用は、大規模なCT画像研究において課題となっている。
我々は,CT画像の標準化と標準化のためにSTAN-CTと呼ばれるエンドツーエンドのソリューションを提案し,異なる画像プロトコルを用いたり,同じ画像プロトコルで異なるCTスキャナを使用したりすることで,画像特徴の相違を効果的に低減する。
STAN-CTは2つのコンポーネントから構成される。
1) 数ラウンドのジェネレータトレーニングで標準画像プロトコルのデータ配信を効果的に学習できる新しいGANモデル
2) 高品質な標準DICOM画像の生成を確実にする画像品質制御を備えたDICOM自動再構築パイプライン。
その結果、stan-ctのトレーニング効率とモデル性能は、最先端のct画像標準化と正規化アルゴリズムと比較して大幅に向上した。
関連論文リスト
- Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。
治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。
本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
論文 参考訳(メタデータ) (2024-09-19T07:56:06Z) - WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。
WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文 参考訳(メタデータ) (2024-03-18T11:20:11Z) - Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for
Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。
本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。
提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
論文 参考訳(メタデータ) (2024-03-06T08:51:09Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - Latent Diffusion Model for Medical Image Standardization and Enhancement [11.295078152769559]
DiffusionCTは、異なる非標準分布を標準化形式に変換するスコアベースのDDPMモデルである。
このアーキテクチャは、ボトルネック位置に統合されたDDPMモデルにより強化されたU-Netベースのエンコーダデコーダを含む。
DiffusionCTによる画像の標準化の顕著な改善が示唆された。
論文 参考訳(メタデータ) (2023-10-08T17:11:14Z) - DiffusionCT: Latent Diffusion Model for CT Image Standardization [9.312998333278802]
既存のCT画像調和モデルは、GANベースの教師付きまたは半教師付き学習に依存しており、性能は限られている。
この研究は、異なるベンダーやプロトコルから取得したCT画像を標準化するために、DiffusionCTと呼ばれる新しい拡散ベースモデルを用いたCT画像調和の問題に対処する。
DiffusionCTを用いた標準化タスクの性能向上実験を行った。
論文 参考訳(メタデータ) (2023-01-20T22:13:48Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - CT Image Harmonization for Enhancing Radiomics Studies [10.643230630935781]
RadiomicGANは、非標準再構成カーネルの使用による誤差を軽減するために開発された。
Dynamic Window-based Trainingと呼ばれる新しいトレーニング手法が開発され、トレーニング済みのモデルを医療画像領域に変換する。
1401の放射能特性を用いて評価したモデル性能は、RadiomicGANが最先端の画像標準化モデルよりも明らかに優れていることを示している。
論文 参考訳(メタデータ) (2021-07-03T04:03:42Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z)
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。