論文の概要: Cross-Domain Medical Image Translation by Shared Latent Gaussian Mixture Model

• arxiv url: http://arxiv.org/abs/2007.07230v1
• Date: Tue, 14 Jul 2020 17:48:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 15:17:29.185565
• Title: Cross-Domain Medical Image Translation by Shared Latent Gaussian Mixture Model
• Title（参考訳）: 共有潜在ガウス混合モデルによるクロスドメイン医用画像変換
• Authors: Yingying Zhu, Youbao Tang, Yuxing Tang, Daniel C. Elton, Sungwon Lee, Perry J. Pickhardt, Ronald M. Summers
• Abstract要約: クロスドメイン画像解析ツールは、実世界の臨床応用において高い需要がある。 現在のディープラーニングベースのセグメンテーションモデルは、訓練データ不足のため、ドメイン間でのセグメンテーションが不十分であることが多い。 医用画像翻訳中に微細構造を保存するために,ガウス混合モデルから共用潜伏変数を用いたパッチベースモデルを提案する。
• 参考スコア（独自算出の注目度）: 10.05036157409819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current deep learning based segmentation models often generalize poorly between domains due to insufficient training data. In real-world clinical applications, cross-domain image analysis tools are in high demand since medical images from different domains are often needed to achieve a precise diagnosis. An important example in radiology is generalizing from non-contrast CT to contrast enhanced CTs. Contrast enhanced CT scans at different phases are used to enhance certain pathologies or organs. Many existing cross-domain image-to-image translation models have been shown to improve cross-domain segmentation of large organs. However, such models lack the ability to preserve fine structures during the translation process, which is significant for many clinical applications, such as segmenting small calcified plaques in the aorta and pelvic arteries. In order to preserve fine structures during medical image translation, we propose a patch-based model using shared latent variables from a Gaussian mixture model. We compare our image translation framework to several state-of-the-art methods on cross-domain image translation and show our model does a better job preserving fine structures. The superior performance of our model is verified by performing two tasks with the translated images - detection and segmentation of aortic plaques and pancreas segmentation. We expect the utility of our framework will extend to other problems beyond segmentation due to the improved quality of the generated images and enhanced ability to preserve small structures.
• Abstract（参考訳）: 現在のディープラーニングベースのセグメンテーションモデルは、訓練データ不足のため、ドメイン間の疎結合をよく一般化する。 実世界の臨床応用では、異なる領域の医用画像が正確な診断に必要とされるため、クロスドメイン画像解析ツールが要求されている。 放射線学における重要な例は、非造影CTから造影CTへの一般化である。 異なる位相における造影CTは、特定の病理や臓器を増強するために用いられる。 多くの既存のクロスドメイン画像-画像翻訳モデルは、大きな臓器のクロスドメインセグメンテーションを改善することが示されている。 しかし、これらのモデルには翻訳過程で微細な構造を維持する能力がないため、大動脈や骨盤動脈の小さな石灰化プラークの分節化など、多くの臨床応用において重要である。 医用画像翻訳中に微細な構造を保存するため,ガウス混合モデルから共有潜在変数を用いたパッチベースモデルを提案する。 画像翻訳フレームワークを,クロスドメイン画像翻訳における最先端手法と比較し,詳細な構造保存に優れた性能を示す。 大動脈プラークと膵のセグメンテーションの変換画像検出とセグメンテーションで2つのタスクをこなすことで,本モデルの優れた性能を検証した。 生成された画像の品質が向上し、小さな構造を保存する能力が向上するため、セグメンテーション以外の問題にもフレームワークの有用性が拡張されることを期待します。

関連論文リスト

• ContourDiff: Unpaired Image Translation with Contour-Guided Diffusion Models [14.487188068402178]
  異なるモードにわたる正確な医療画像の翻訳には、多くの下流臨床および機械学習の応用がある。 画像のドメイン不変な解剖学的輪郭表現を利用する新しいフレームワークであるContourDiffを提案する。 本手法は,CTからMRIに変換された画像に対して,元のCTマスクを用いてセグメント化モデルを訓練し,その性能を実MRIで検証することによって評価する。
  論文  参考訳（メタデータ） (2024-03-16T03:33:52Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Anatomically constrained CT image translation for heterogeneous blood vessel segmentation [3.88838725116957]
  造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。 放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。 CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。 本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
  論文  参考訳（メタデータ） (2022-10-04T16:14:49Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation [9.659642285903418]
  放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成 本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T16:22:31Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• 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)
• Image Translation by Latent Union of Subspaces for Cross-Domain Plaque Detection [6.114454943178102]
  大動脈および骨盤動脈の石灰化プラークは冠動脈石灰化と関連しており、心臓発作の強力な予測因子である。 現在の石灰化プラーク検出モデルでは、異なる領域に対する一般化性が低い。 サブスペース制約の共有結合を用いた画像翻訳ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-05-22T20:35:34Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。