論文の概要: Image Translation for Medical Image Generation -- Ischemic Stroke
Lesions
- arxiv url: http://arxiv.org/abs/2010.02745v2
- Date: Sun, 31 Oct 2021 21:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 21:24:46.708355
- Title: Image Translation for Medical Image Generation -- Ischemic Stroke
Lesions
- Title（参考訳）: 医用画像生成のための画像翻訳 --脳卒中病変-
- Authors: Moritz Platscher and Jonathan Zopes and Christian Federau
- Abstract要約: 注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。
画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。
臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based disease detection and segmentation algorithms promise to
improve many clinical processes. However, such algorithms require vast amounts
of annotated training data, which are typically not available in the medical
context due to data privacy, legal obstructions, and non-uniform data
acquisition protocols. Synthetic databases with annotated pathologies could
provide the required amounts of training data. We demonstrate with the example
of ischemic stroke that an improvement in lesion segmentation is feasible using
deep learning based augmentation. To this end, we train different
image-to-image translation models to synthesize magnetic resonance images of
brain volumes with and without stroke lesions from semantic segmentation maps.
In addition, we train a generative adversarial network to generate synthetic
lesion masks. Subsequently, we combine these two components to build a large
database of synthetic stroke images. The performance of the various models is
evaluated using a U-Net which is trained to segment stroke lesions on a
clinical test set. We report a Dice score of $\mathbf{72.8}$%
[$\mathbf{70.8\pm1.0}$%] for the model with the best performance, which
outperforms the model trained on the clinical images alone $\mathbf{67.3}$%
[$\mathbf{63.2\pm1.9}$%], and is close to the human inter-reader Dice score of
$\mathbf{76.9}$%. Moreover, we show that for a small database of only 10 or 50
clinical cases, synthetic data augmentation yields significant improvement
compared to a setting where no synthetic data is used. To the best of our
knowledge, this presents the first comparative analysis of synthetic data
augmentation based on image-to-image translation, and first application to
ischemic stroke.
- Abstract（参考訳）: ディープラーニングに基づく疾患検出とセグメンテーションアルゴリズムは、多くの臨床プロセスを改善することを約束する。
しかし、そのようなアルゴリズムは大量のアノテートされたトレーニングデータを必要とするため、データプライバシ、法的妨害、および一様でないデータ取得プロトコルのために、一般的に医学的文脈では利用できない。
注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。
虚血性脳梗塞の例では,深層学習による拡張による病変の分節化の改善が可能である。
そこで我々は, 意味的セグメンテーションマップから脳卒中病変を伴わない脳体積の磁気共鳴像を合成するために, 異なる画像間翻訳モデルを訓練した。
さらに, 生成的敵ネットワークを訓練し, 合成病変マスクを生成する。
その後、これら2つのコンポーネントを組み合わせることで、合成ストローク画像の大規模なデータベースを構築する。
臨床検査セットで脳卒中病変の分節を訓練したU-Netを用いて,各種モデルの性能を評価する。
臨床画像のみで訓練されたモデルよりも優れた性能を持つモデルに対して,$\mathbf{72.8}$% [$\mathbf{70.8\pm1.0}$%] というサイススコアを報告し,$\mathbf{76.9}$% のヒト間サイススコアに近い結果を得た。
さらに,10例ないし50例の小さなデータベースでは,合成データを使用した場合と比較して,合成データの増大が著しく改善することが示唆された。
本研究は, 画像から画像への変換に基づく合成データ拡張の初回比較解析を行い, 脳梗塞に対する初回適用例を示す。
関連論文リスト
- Evaluating Utility of Memory Efficient Medical Image Generation: A Study on Lung Nodule Segmentation [0.0]
本研究は,合成医用画像を生成するためのメモリ効率のパッチワイド拡散確率モデル(DDPM)を提案する。
本手法は, メモリ制約を効率的に管理しながら, 結節分割による高能率合成画像を生成する。
本手法は,合成データのみに基づくセグメンテーションモデルのトレーニングと,合成画像を用いた実世界のトレーニングデータの拡張の2つのシナリオで評価する。
論文 参考訳（メタデータ） (2024-10-16T13:20:57Z) - Transesophageal Echocardiography Generation using Anatomical Models [0.5679566039341877]
合成TEE画像と対応するセマンティックラベルを生成するパイプラインを開発する。
In the pipeline's unpaired image-to-image (I2I) translation section, we explore two generative methods。
合成画像を用いてデータセットを拡大すると、ダイススコアが最大10%向上する。
論文 参考訳（メタデータ） (2024-10-09T11:20:28Z) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-22T06:16:16Z) - Brain tumor segmentation using synthetic MR images -- A comparison of
GANs and diffusion models [0.0]
現在、GAN(Generative Adversarial Network)や拡散モデルのような生成AIモデルは、非常に現実的な合成画像を生成することができる。
合成画像に基づいてトレーニングされたセグメンテーションネットワークは、実画像を用いたトレーニングにおいて、Diceスコアの80%から90%のDiceスコアに達することを示す。
我々の結論は、医用画像の共有は実際の画像の共有に有効な選択肢であるが、さらなる作業が必要であるということだ。
論文 参考訳（メタデータ） (2023-06-05T15:56:30Z) - GAN Inversion for Data Augmentation to Improve Colonoscopy Lesion
Classification [3.0100246737240877]
本研究では,GANインバージョンによって生成された合成大腸内視鏡像をトレーニングデータとして利用することにより,ディープラーニングモデルの病変分類性能を向上させることができることを示す。
このアプローチは、同じラベルを持つ一対のイメージを意味的にリッチで不整合な潜在空間に逆転させ、潜在表現を操作して、同じラベルを持つ新しい合成画像を生成する。
また,トレーニングデータセットにおける病変形状の多様性を高めるために,元のトレーニング画像間の補間により,現実的な合成病変画像を生成する。
論文 参考訳（メタデータ） (2022-05-04T23:15:45Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳（メタデータ） (2021-04-22T11:18:17Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - 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。