論文の概要: Pseudo-healthy synthesis with pathology disentanglement and adversarial learning

• arxiv url: http://arxiv.org/abs/2005.01607v3
• Date: Fri, 18 Jun 2021 11:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:29:54.912963
• Title: Pseudo-healthy synthesis with pathology disentanglement and adversarial learning
• Title（参考訳）: 病理異方性と逆行学習を用いた疑似健康合成
• Authors: Tian Xia, Agisilaos Chartsias, Sotirios A. Tsaftaris
• Abstract要約: Pseudo-Healthy 合成は、病理的な画像から被写体特異的な健康なイメージを作成するタスクである。 健康な状態から病理情報を解き放つことを奨励するモデルを提案する。 私たちは、ペアやペアの無い設定を使って、モデルを逆さまにトレーニングします。
• 参考スコア（独自算出の注目度）: 17.68303016550086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pseudo-healthy synthesis is the task of creating a subject-specific `healthy' image from a pathological one. Such images can be helpful in tasks such as anomaly detection and understanding changes induced by pathology and disease. In this paper, we present a model that is encouraged to disentangle the information of pathology from what seems to be healthy. We disentangle what appears to be healthy and where disease is as a segmentation map, which are then recombined by a network to reconstruct the input disease image. We train our models adversarially using either paired or unpaired settings, where we pair disease images and maps when available. We quantitatively and subjectively, with a human study, evaluate the quality of pseudo-healthy images using several criteria. We show in a series of experiments, performed on ISLES, BraTS and Cam-CAN datasets, that our method is better than several baselines and methods from the literature. We also show that due to better training processes we could recover deformations, on surrounding tissue, caused by disease. Our implementation is publicly available at https://github.com/xiat0616/pseudo-healthy-synthesis. This paper has been accepted by Medical Image Analysis: https://doi.org/10.1016/j.media.2020.101719.
• Abstract（参考訳）: Pseudo-Healthy 合成は、病態から主題固有の「健康」画像を作成するタスクである。 このような画像は、病理や疾患によって引き起こされる異常の検出や変化の理解といったタスクに有用である。 本稿では,健康であると思われるものから病理の情報を分離することを奨励するモデルを提案する。 我々は、健康なように見えるものや、病気がセグメンテーションマップとして存在するものを、ネットワークで再結合して入力された疾患画像の再構成を行う。 私たちは、ペアまたはアンペアの設定を使用して、モデルを逆さまにトレーニングします。 定量的・主観的にヒト実験を行い,いくつかの基準を用いて疑似健康画像の品質評価を行った。 ISLES, BraTS, Cam-CAN データセットで実施した一連の実験において,本手法は文献のベースラインや手法よりも優れていることを示す。 また,良好な訓練プロセスにより,疾患による周辺組織への変形を回復できることを示した。 実装はhttps://github.com/xiat0616/pseudo-healthy- synthesisで公開しています。 医療画像解析: https://doi.org/10.1016/j.media.2020.101719。

関連論文リスト

• Decomposing Disease Descriptions for Enhanced Pathology Detection: A Multi-Aspect Vision-Language Pre-training Framework [43.453943987647015]
  医学的な視覚言語事前訓練は研究の最前線として現れ、ゼロショットの病理診断を可能にしている。 バイオメディカルテキストの複雑なセマンティクスのため、現在の方法では、医学的画像と、非構造化レポートの重要な病理学的所見の整合に苦慮している。 これは、大きな言語モデルと医療専門家に相談することで達成される。 我々の研究は、近年の手法の精度を最大8.56%まで改善し、17.26%を目に見えるカテゴリーで改善した。
  論文  参考訳（メタデータ） (2024-03-12T13:18:22Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• HealthyGAN: Learning from Unannotated Medical Images to Detect Anomalies Associated with Human Disease [13.827062843105365]
  現在の医療画像学における典型的な手法は、健康な被験者のみから診断モデルを導出することに集中している。 HealthyGANは、混合データセットから正常な画像のみに変換することを学習する。 1方向であるHealthyGANは、既存の未ペア画像から画像への変換方法のサイクル一貫性の要求を緩和する。
  論文  参考訳（メタデータ） (2022-09-05T08:10:52Z)
• 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)
• 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)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• 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 Disease Evidence for Medical Images Using Adversarial Deformation Fields [4.2739669051600275]
  本稿では,病状証拠の空間的説明を定式化し提示する手法を提案する。 逆行訓練されたジェネレータは、疾患患者の画像を変更する変形場を生成し、健康な患者の画像に類似させる。 慢性閉塞性肺疾患(COPD)の胸部X線(CXR)およびアルツハイマー病(AD)の脳MRI所見について検討した。
  論文  参考訳（メタデータ） (2020-07-04T00:51:54Z)
• RADIOGAN: Deep Convolutional Conditional Generative adversarial Network To Generate PET Images [3.947298454012977]
  MIPポジトロン放射トモグラフィー画像(PET)を生成するための深層畳み込み条件生成対向ネットワークを提案する。 提案手法の利点は,1種類の病変に対して,小さな標本サイズで訓練した病変の異なるクラスを生成できるモデルから成り立っている。 また,画像評価ツールとして,潜伏空間を歩行できることを示す。
  論文  参考訳（メタデータ） (2020-03-19T10:14:40Z)
• Grounded and Controllable Image Completion by Incorporating Lexical Semantics [111.47374576372813]
  Lexical Semantic Image Completion (LSIC)は、芸術、デザイン、遺産保護に潜在的な応用をもたらす可能性がある。 視覚的文脈と語彙的文脈の両方に忠実な結果を生成することを提唱する。 LSICの大きな課題の1つは、ビジュアル・セマンティック・コンテキストの構造をモデル化し整合させることである。
  論文  参考訳（メタデータ） (2020-02-29T16:54:21Z)

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。