論文の概要: Attention-Guided Generative Adversarial Network to Address Atypical
Anatomy in Modality Transfer
- arxiv url: http://arxiv.org/abs/2006.15264v3
- Date: Wed, 14 Apr 2021 22:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 08:08:55.944012
- Title: Attention-Guided Generative Adversarial Network to Address Atypical
Anatomy in Modality Transfer
- Title(参考訳): モダリティ伝達における非定型解剖問題に対処するための注意誘導型ジェネレーショナル・アドバーサリーネットワーク
- Authors: Hajar Emami, Ming Dong, Carri K. Glide-Hurst
- Abstract要約: T1強調MRI画像から正確な合成CTを生成するために,空間的注意誘導型生成対向ネットワーク(attention-GAN)モデルを提案する。
15人の脳がん患者の実験結果によると、GANは既存のsynCTモデルより優れており、平均値は85.22$pm$12.08、232.41$pm$60.86、246.38$pm$42.67である。
- 参考スコア(独自算出の注目度): 3.167912607974845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, interest in MR-only treatment planning using synthetic CTs (synCTs)
has grown rapidly in radiation therapy. However, developing class solutions for
medical images that contain atypical anatomy remains a major limitation. In
this paper, we propose a novel spatial attention-guided generative adversarial
network (attention-GAN) model to generate accurate synCTs using T1-weighted MRI
images as the input to address atypical anatomy. Experimental results on
fifteen brain cancer patients show that attention-GAN outperformed existing
synCT models and achieved an average MAE of 85.22$\pm$12.08, 232.41$\pm$60.86,
246.38$\pm$42.67 Hounsfield units between synCT and CT-SIM across the entire
head, bone and air regions, respectively. Qualitative analysis shows that
attention-GAN has the ability to use spatially focused areas to better handle
outliers, areas with complex anatomy or post-surgical regions, and thus offer
strong potential for supporting near real-time MR-only treatment planning.
- Abstract(参考訳): 近年,放射線治療において,合成CT(synCTs)を用いたMRのみの治療計画への関心が高まっている。
しかし、非定型解剖を含む医用画像のクラスソリューションの開発は依然として大きな限界である。
本稿では,T1強調MRI像を非定型解剖に対処するための入力として,空間的注意誘導型生成対向ネットワーク(attention-GAN)モデルを提案する。
15人の脳がん患者の実験結果によると、注意-GANは既存のsynCTモデルより優れており、頭部、骨、空気領域全体にわたって平均85.22$\pm$12.08、232.41$\pm$60.86、246.38$\pm$42.67のHounsfieldユニットをそれぞれ達成している。
質的分析によると、注意-GANは、空間的に焦点を絞った領域を使用して、より複雑な解剖学的または手術後領域を処理し、よりリアルタイムに近いMRのみの治療計画を支援することができる。
関連論文リスト
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Reconstructing the somatotopic organization of the corticospinal tract
remains a challenge for modern tractography methods [55.07297021627281]
CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。
拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
論文 参考訳(メタデータ) (2023-06-09T02:05:40Z) - CACTUSS: Common Anatomical CT-US Space for US examinations [36.45569352490318]
腹部大動脈瘤(英: Abdominal aortic aneurysm, AAA)は、大動脈の一部が拡大し、その壁を弱め、血管を破裂させる血管疾患である。
近年の腹部CTデータセットは, 深部神経回路の訓練に有効である。
CACTUSSはCTとUSモダリティの間の仮想ブリッジとして機能し、自動AAAスクリーニングソノグラフィーを可能にする。
論文 参考訳(メタデータ) (2022-07-18T14:05:25Z) - 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) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳(メタデータ) (2021-08-05T10:35:06Z) - Anatomy-guided Multimodal Registration by Learning Segmentation without
Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and
Registration [12.861503169117208]
マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。
周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。
対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
論文 参考訳(メタデータ) (2021-04-14T18:07:03Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。