論文の概要: Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN

• arxiv url: http://arxiv.org/abs/2006.14761v3
• Date: Wed, 26 Aug 2020 19:03:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 22:08:05.370435
• Title: Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN
• Title（参考訳）: GANを用いた病変マスクに基づく解剖学的および分子磁気共鳴画像の同時合成
• Authors: Pengfei Guo, Puyang Wang, Jinyuan Zhou, Vishal M. Patel, Shanshan Jiang
• Abstract要約: 提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 59.60954255038335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven automatic approaches have demonstrated their great potential in resolving various clinical diagnostic dilemmas for patients with malignant gliomas in neuro-oncology with the help of conventional and advanced molecular MR images. However, the lack of sufficient annotated MRI data has vastly impeded the development of such automatic methods. Conventional data augmentation approaches, including flipping, scaling, rotation, and distortion are not capable of generating data with diverse image content. In this paper, we propose a method, called synthesis of anatomic and molecular MR images network (SAMR), which can simultaneously synthesize data from arbitrary manipulated lesion information on multiple anatomic and molecular MRI sequences, including T1-weighted (T1w), gadolinium enhanced T1w (Gd-T1w), T2-weighted (T2w), fluid-attenuated inversion recovery (FLAIR), and amide proton transfer-weighted (APTw). The proposed framework consists of a stretch-out up-sampling module, a brain atlas encoder, a segmentation consistency module, and multi-scale label-wise discriminators. Extensive experiments on real clinical data demonstrate that the proposed model can perform significantly better than the state-of-the-art synthesis methods.
• Abstract（参考訳）: データ駆動型自動アプローチは、従来の分子MR画像の助けを借りて、神経腫瘍の悪性グリオーマに対する様々な臨床診断ジレンマを解決する大きな可能性を証明している。 しかし、十分なアノテートMRIデータの不足は、このような自動手法の開発を著しく妨げている。 反転、スケーリング、回転、歪みを含む従来のデータ拡張アプローチでは、多様な画像コンテンツでデータを生成することはできない。 本稿では,T1-weighted (T1w), Gadolinium enhanced T1w (Gd-T1w), T2-weighted (T2w), fluid-attenuated inversion recovery (FLAIR), amide proton transfer-weighted (APTw) など,T1-weighted (T1w), Gadolinium enhanced T1w (Gd-T1w), T2-weighted (T2w), FLAIR (FLAIR), amide proton transfer-weighted (APTw) などの複数の解剖学的および分子MRI配列の任意の操作された病変情報からデータを同時に合成する手法を提案する。 提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実臨床データに対する広範囲な実験により,提案モデルが最先端の合成法よりも有意に優れた結果が得られることが示された。

関連論文リスト

• SIMPLE: Simultaneous Multi-Plane Self-Supervised Learning for Isotropic MRI Restoration from Anisotropic Data [1.980639720136382]
  従来のMRIスキャンでは、技術的制約により異方性データが得られることが多い。 超解像技術は、異方性データから等方性高解像度画像を再構成することでこれらの制限に対処することを目的としている。 異方性データからの等方性MRI復元のための同時多平面自己監督学習手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2024-08-23T13:48:11Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• 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)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
  本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
  論文  参考訳（メタデータ） (2020-06-24T18:00:01Z)
• Multi-Modality Generative Adversarial Networks with Tumor Consistency Loss for Brain MR Image Synthesis [30.64847799586407]
  1つのMRモードT2から3つの高品質MRモード(FLAIR, T1, T1ce)を同時に合成する多モード生成対向ネットワーク(MGAN)を提案する。 実験結果から, 合成画像の品質は, ベースラインモデル, pix2pixで合成した画像より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-02T21:33:15Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。