論文の概要: Anonymization of labeled TOF-MRA images for brain vessel segmentation
using generative adversarial networks
- arxiv url: http://arxiv.org/abs/2009.04227v3
- Date: Mon, 16 Nov 2020 17:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 12:06:29.089663
- Title: Anonymization of labeled TOF-MRA images for brain vessel segmentation
using generative adversarial networks
- Title（参考訳）: 生成対向ネットワークを用いた脳血管分割のためのラベル付きTOF-MRA画像の匿名化
- Authors: Tabea Kossen, Pooja Subramaniam, Vince I. Madai, Anja Hennemuth,
Kristian Hildebrand, Adam Hilbert, Jan Sobesky, Michelle Livne, Ivana
Galinovic, Ahmed A. Khalil, Jochen B. Fiebach and Dietmar Frey
- Abstract要約: GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。
画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。
各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
- 参考スコア（独自算出の注目度）: 0.9854633436173144
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Anonymization and data sharing are crucial for privacy protection and
acquisition of large datasets for medical image analysis. This is a big
challenge, especially for neuroimaging. Here, the brain's unique structure
allows for re-identification and thus requires non-conventional anonymization.
Generative adversarial networks (GANs) have the potential to provide anonymous
images while preserving predictive properties. Analyzing brain vessel
segmentation, we trained 3 GANs on time-of-flight (TOF) magnetic resonance
angiography (MRA) patches for image-label generation: 1) Deep convolutional
GAN, 2) Wasserstein-GAN with gradient penalty (WGAN-GP) and 3) WGAN-GP with
spectral normalization (WGAN-GP-SN). The generated image-labels from each GAN
were used to train a U-net for segmentation and tested on real data. Moreover,
we applied our synthetic patches using transfer learning on a second dataset.
For an increasing number of up to 15 patients we evaluated the model
performance on real data with and without pre-training. The performance for all
models was assessed by the Dice Similarity Coefficient (DSC) and the 95th
percentile of the Hausdorff Distance (95HD). Comparing the 3 GANs, the U-net
trained on synthetic data generated by the WGAN-GP-SN showed the highest
performance to predict vessels (DSC/95HD 0.82/28.97) benchmarked by the U-net
trained on real data (0.89/26.61). The transfer learning approach showed
superior performance for the same GAN compared to no pre-training, especially
for one patient only (0.91/25.68 vs. 0.85/27.36). In this work, synthetic
image-label pairs retained generalizable information and showed good
performance for vessel segmentation. Besides, we showed that synthetic patches
can be used in a transfer learning approach with independent data. This paves
the way to overcome the challenges of scarce data and anonymization in medical
imaging.
- Abstract（参考訳）: 匿名化とデータ共有は、医療画像分析のための大規模データセットのプライバシー保護と取得に不可欠である。
これは特に神経画像にとって大きな課題です。
ここで、脳のユニークな構造は再同定を可能にし、非慣習的な匿名化を必要とする。
generative adversarial networks (gans) は予測特性を維持しながら匿名画像を提供する可能性がある。
脳血管のセグメンテーションを解析し、画像ラベル生成のための時間飛行(TOF)磁気共鳴血管造影(MRA)パッチで3つのGANを訓練した。
1)深層畳み込みGAN
2)勾配ペナルティ(wgan-gp)を有するwasserstein-ganおよび
3)スペクトル正規化WGAN-GP(WGAN-GP-SN)。
各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
さらに,第2のデータセットに転送学習を用いた合成パッチを適用した。
最大15名までの患者に対して,事前トレーニングを行わずに実データ上でのモデル性能を評価した。
全てのモデルの性能はDice similarity Coefficient (DSC)とHausdorff Distance (95HD)の95%で評価された。
3つのGANと比較すると、WGAN-GP-SNによって生成された合成データに基づいて訓練されたU-netは、実際のデータ(0.89/26.61)に基づいて訓練されたU-netによってベンチマークされた船舶(DSC/95HD 0.82/28.97)の予測性能が最も高かった。
トランスファー・ラーニング・アプローチは,同じganに対して,特に1例のみ (0.91/25.68 対 0.85/27.36) に比較して優れた成績を示した。
本研究は, 合成画像ラベル対が一般化可能な情報を保持し, 容器のセグメンテーションに優れた性能を示した。
さらに,独立データを用いた伝達学習手法では,合成パッチが利用できることを示した。
これは、医療画像における不足データや匿名化の課題を克服する手段となる。
関連論文リスト
- Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。
本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。
我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-27T19:13:15Z) - Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文 参考訳（メタデータ） (2024-04-09T15:19:13Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data
Augmentation [3.8371505627869955]
Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。
実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
論文 参考訳（メタデータ） (2023-02-25T21:42:00Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳（メタデータ） (2022-11-24T02:55:20Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。