論文の概要: Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE

• arxiv url: http://arxiv.org/abs/2007.04780v1
• Date: Thu, 9 Jul 2020 13:23:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 05:10:34.914444
• Title: Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE
• Title（参考訳）: 2次元スライスVAEを用いた3次元脳MRIの分布のモデル化
• Authors: Anna Volokitin, Ertunc Erdil, Neerav Karani, Kerem Can Tezcan, Xiaoran Chen, Luc Van Gool, Ender Konukoglu
• Abstract要約: 本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
• 参考スコア（独自算出の注目度）: 66.63629641650572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic modelling has been an essential tool in medical image analysis, especially for analyzing brain Magnetic Resonance Images (MRI). Recent deep learning techniques for estimating high-dimensional distributions, in particular Variational Autoencoders (VAEs), opened up new avenues for probabilistic modeling. Modelling of volumetric data has remained a challenge, however, because constraints on available computation and training data make it difficult effectively leverage VAEs, which are well-developed for 2D images. We propose a method to model 3D MR brain volumes distribution by combining a 2D slice VAE with a Gaussian model that captures the relationships between slices. We do so by estimating the sample mean and covariance in the latent space of the 2D model over the slice direction. This combined model lets us sample new coherent stacks of latent variables to decode into slices of a volume. We also introduce a novel evaluation method for generated volumes that quantifies how well their segmentations match those of true brain anatomy. We demonstrate that our proposed model is competitive in generating high quality volumes at high resolutions according to both traditional metrics and our proposed evaluation.
• Abstract（参考訳）: 確率論的モデリングは医用画像解析、特に脳磁気共鳴画像(MRI)解析において重要なツールである。 近年,高次元分布,特に変分オートエンコーダ(VAE)を推定するためのディープラーニング技術が,確率的モデリングのための新たな道を開いた。 ボリュームデータのモデリングは、利用可能な計算とトレーニングデータに制約があるため、2次元画像で十分に開発されたVAEを効果的に活用することは困難である。 2次元スライスvaeと,スライス間の関係を捉えるガウスモデルを組み合わせた3次元mr脳容積分布のモデル化法を提案する。 2次元モデルの潜在空間におけるサンプル平均と共分散をスライス方向上で推定することで,その評価を行う。 この組み合わせモデルにより、潜在変数の新しいコヒーレントスタックをサンプリングして、ボリュームのスライスにデコードできます。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。 提案手法は,従来の測定値と提案した評価値の両方に基づいて,高品質なボリュームを高解像度で生成する上で競合することを示す。

関連論文リスト

• Latent 3D Brain MRI Counterfactual [25.598362396064367]
  潜在空間内に構造因果モデル(Structure Causal Model, SCM)を構築するための2段階手法を提案する。 第一段階では、VQ-VAEを用いてMRIボリュームのコンパクトな埋め込みを学習する。 その後、この潜在空間に因果モデルを統合するとともに、3段階の対応手順を実行する。
  論文  参考訳（メタデータ） (2024-09-09T13:15:03Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D Brain MRI Synthesis [35.45013834475523]
  クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。 現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。 本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:01:09Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data [7.615431940103322]
  正規化フローを付加した3次元確率的セグメンテーションフレームワークを開発した。 私たちは初めて、0.401の3D角形一般エネルギー距離(GED)と、高い0.468のハンガリー製の3D IoUを提示しました。
  論文  参考訳（メタデータ） (2023-05-01T17:19:20Z)
• HoloDiffusion: Training a 3D Diffusion Model using 2D Images [71.1144397510333]
  我々は,2次元画像のみを監督のために配置した,エンドツーエンドでトレーニング可能な新しい拡散装置を導入する。 我々の拡散モデルはスケーラブルで、頑健に訓練されており、既存の3次元生成モデルへのアプローチに対して、サンプルの品質と忠実さの点で競争力があることを示す。
  論文  参考訳（メタデータ） (2023-03-29T07:35:56Z)
• Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
  本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
  論文  参考訳（メタデータ） (2023-03-15T08:28:06Z)
• Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric Segmentation [13.158995287578316]
  我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。 入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。 提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
  論文  参考訳（メタデータ） (2022-06-14T03:25:58Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。