論文の概要: Multi-Domain Image Completion for Random Missing Input Data

• arxiv url: http://arxiv.org/abs/2007.05534v1
• Date: Fri, 10 Jul 2020 16:38:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:50:45.089275
• Title: Multi-Domain Image Completion for Random Missing Input Data
• Title（参考訳）: ランダム欠落入力データに対するマルチドメイン画像補完
• Authors: Liyue Shen, Wentao Zhu, Xiaosong Wang, Lei Xing, John M. Pauly, Baris Turkbey, Stephanie Anne Harmon, Thomas Hogue Sanford, Sherif Mehralivand, Peter Choyke, Bradford Wood, Daguang Xu
• Abstract要約: マルチドメインデータは、異なるモダリティからの相補的な情報を利用する視覚アプリケーションで広く活用されている。 データ破損と異なるイメージングプロトコルにより、各領域のイメージの可用性は複数のデータソースによって異なる可能性がある。 実アプリケーションでランダムに欠落したドメイン(s)データを補完する一般的な手法を提案する。
• 参考スコア（独自算出の注目度）: 17.53581223279953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain data are widely leveraged in vision applications taking advantage of complementary information from different modalities, e.g., brain tumor segmentation from multi-parametric magnetic resonance imaging (MRI). However, due to possible data corruption and different imaging protocols, the availability of images for each domain could vary amongst multiple data sources in practice, which makes it challenging to build a universal model with a varied set of input data. To tackle this problem, we propose a general approach to complete the random missing domain(s) data in real applications. Specifically, we develop a novel multi-domain image completion method that utilizes a generative adversarial network (GAN) with a representational disentanglement scheme to extract shared skeleton encoding and separate flesh encoding across multiple domains. We further illustrate that the learned representation in multi-domain image completion could be leveraged for high-level tasks, e.g., segmentation, by introducing a unified framework consisting of image completion and segmentation with a shared content encoder. The experiments demonstrate consistent performance improvement on three datasets for brain tumor segmentation, prostate segmentation, and facial expression image completion respectively.
• Abstract（参考訳）: マルチドメインデータは、例えば、マルチパラメトリックMRI(Multi-parametric magnetic resonance imaging)による脳腫瘍のセグメンテーションなど、様々なモードからの補完情報を活用する視覚応用において広く活用されている。 しかし、データの破損や異なる画像プロトコルにより、各領域の画像の入手は複数のデータソースによって異なる可能性があるため、様々な入力データを持つ普遍的なモデルを構築することは困難である。 この問題に対処するため、実アプリケーションでランダムに欠落したドメイン(s)データを補完する一般的な手法を提案する。 具体的には,GAN(Generative Adversarial Network)を用いた新しい多領域画像補完手法を開発し,複数の領域にまたがる共有スケルトンエンコーディングと肉のエンコーディングの分離を行う。 さらに,共有コンテンツエンコーダによる画像補完とセグメンテーションからなる統合フレームワークを導入することにより,マルチドメイン画像補完における学習表現が,セグメンテーションなどの高レベルなタスクに活用できることを示す。 実験では,脳腫瘍のセグメンテーション,前立腺のセグメンテーション,表情画像の補完の3つのデータセットに対して,一貫した性能向上を示す。

関連論文リスト

• IGUANe: a 3D generalizable CycleGAN for multicenter harmonization of brain MR images [0.0]
  画像翻訳のための深層学習手法が, MR画像との調和のためのソリューションとして登場した。 本研究では,ドメイン翻訳の強みを生かしたオリジナル3DモデルIGUANeを紹介する。 ドメインペアに基づくフレームワークは、サイト関連と生物学的変動の混同を防止するサンプリング戦略の実装を可能にする。
  論文  参考訳（メタデータ） (2024-02-05T17:38:49Z)
• Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
  我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。 提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
  論文  参考訳（メタデータ） (2024-01-02T00:31:41Z)
• Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
  本稿では,新しい医用画像分割法を提案する。 具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。 医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-08T03:56:20Z)
• High-Quality Pluralistic Image Completion via Code Shared VQGAN [51.7805154545948]
  高速な推論速度で高品質と多様性を両立させることができる多元画像補完のための新しい枠組みを提案する。 我々のフレームワークは、セマンティックにリッチな離散的なコードを効率的かつ堅牢に学習することができ、画像再構成の品質が大幅に向上する。
  論文  参考訳（メタデータ） (2022-04-05T01:47:35Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• SoloGAN: Multi-domain Multimodal Unpaired Image-to-Image Translation via a Single Generative Adversarial Network [4.7344504314446345]
  本稿では、複数のドメイン間の効率的なマルチモーダルI2I翻訳のためのフレキシブルで汎用的なSoloGANモデルを提案する。 既存の手法とは対照的に、SoloGANアルゴリズムは追加の補助分類器を備えた単一の射影判別器を使用し、すべてのドメインに対してエンコーダとジェネレータを共有する。
  論文  参考訳（メタデータ） (2020-08-04T16:31:15Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。