論文の概要: Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs

• arxiv url: http://arxiv.org/abs/2006.00033v1
• Date: Fri, 29 May 2020 18:45:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 22:36:57.666096
• Title: Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs
• Title（参考訳）: プログレッシブグローングアンビエントGANを用いた医用画像計測による確率的物体モデルの学習
• Authors: Weimin Zhou, Sayantan Bhadra, Frank J. Brooks, Hua Li, Mark A. Anastasio
• Abstract要約: オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。 良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 14.501812971529137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It has been advocated that medical imaging systems and reconstruction algorithms should be assessed and optimized by use of objective measures of image quality that quantify the performance of an observer at specific diagnostic tasks. One important source of variability that can significantly limit observer performance is variation in the objects to-be-imaged. This source of variability can be described by stochastic object models (SOMs). A SOM is a generative model that can be employed to establish an ensemble of to-be-imaged objects with prescribed statistical properties. In order to accurately model variations in anatomical structures and object textures, it is desirable to establish SOMs from experimental imaging measurements acquired by use of a well-characterized imaging system. Deep generative neural networks, such as generative adversarial networks (GANs) hold great potential for this task. However, conventional GANs are typically trained by use of reconstructed images that are influenced by the effects of measurement noise and the reconstruction process. To circumvent this, an AmbientGAN has been proposed that augments a GAN with a measurement operator. However, the original AmbientGAN could not immediately benefit from modern training procedures, such as progressive growing, which limited its ability to be applied to realistically sized medical image data. To circumvent this, in this work, a new Progressive Growing AmbientGAN (ProAmGAN) strategy is developed for establishing SOMs from medical imaging measurements. Stylized numerical studies corresponding to common medical imaging modalities are conducted to demonstrate and validate the proposed method for establishing SOMs.
• Abstract（参考訳）: 特定の診断タスクにおける観察者のパフォーマンスを定量化する画像品質の客観的尺度を用いて、医用画像システムと再構成アルゴリズムの評価と最適化を行うことが提唱されている。 オブザーバのパフォーマンスを著しく制限できる変数の1つの重要な源は、イメージすべきオブジェクトの変化である。 この変数の源は確率的オブジェクトモデル(SOM)によって記述できる。 SOMは、所定の統計特性を持つ画像オブジェクトのアンサンブルを確立するために使用できる生成モデルである。 解剖学的構造や物体のテクスチャの変化を正確にモデル化するためには, 良好な画像処理システムを用いて得られた実験画像計測からSOMを確立することが望ましい。 generative adversarial networks (gans) のようなディープジェネレーティブニューラルネットワークは、このタスクに大きな可能性を秘めている。 しかし、従来のganは、測定ノイズや再構成過程の影響による再構成画像を用いて訓練されるのが一般的である。 これを回避するため、AmbientGANは測定演算子でGANを増強する提案がなされている。 しかし、オリジナルのAmbientGANは、プログレッシブ成長のような、現実的な大きさの医療画像データに適用できる能力を制限した近代的な訓練手順の恩恵を受けられなかった。 これを回避するため, 医療画像計測からSOMを確立するための新しいプログレッシブ・グローディング・アンビエントGAN(ProAmGAN)戦略を開発した。 一般的な医用画像モダリティに対応するスチル化数値解析を行い,SOMの確立方法の実証と検証を行った。

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)
• AmbientCycleGAN for Establishing Interpretable Stochastic Object Models Based on Mathematical Phantoms and Medical Imaging Measurements [4.573310303307945]
  この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。 提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
  論文  参考訳（メタデータ） (2024-02-02T06:30:33Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Evaluating Procedures for Establishing Generative Adversarial Network-based Stochastic Image Models in Medical Imaging [10.479865560555199]
  GAN(Generative Adversarial Network)は、医療画像のいくつかの領域において非常に有望である。 本研究では, 血管造影画像中の現実的な血管を模擬する標準画像モデル(SIM)を用いて, GANを用いたSIMの確立手順を評価する。 古典的指標と医学的関連指標を用いてGANを評価することにより、トレーニングされたGANの忠実度に関する異なる結論が導かれる可能性がある。
  論文  参考訳（メタデータ） (2022-04-07T16:19:01Z)
• 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)
• Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
  CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である 機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。 本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T05:41:12Z)
• Learning stochastic object models from medical imaging measurements by use of advanced AmbientGANs [7.987904193401004]
  GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。 本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-27T21:46:23Z)
• Advancing the AmbientGAN for learning stochastic object models [7.445527629361621]
  対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。 本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)の2つの高度なアンビエントGANアーキテクチャを提案する。 3D ProAmGANが画像計測から3D SOMを学習し、StyAmGANsが合成物の微細なテクスチャを制御できることを実証した。
  論文  参考訳（メタデータ） (2021-01-30T18:08:23Z)
• Progressively-Growing AmbientGANs For Learning Stochastic Object Models From Imaging Measurements [14.501812971529137]
  医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。 本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。 医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
  論文  参考訳（メタデータ） (2020-01-26T21:33:14Z)

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。