論文の概要: Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images

• arxiv url: http://arxiv.org/abs/2010.03396v1
• Date: Tue, 6 Oct 2020 08:43:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 06:31:00.335888
• Title: Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images
• Title（参考訳）: 高解像度3次元医用画像のメモリ効率GANによるドメイン翻訳
• Authors: Hristina Uzunova, Jan Ehrhardt, Heinz Handels
• Abstract要約: GAN(Generative Adversarial Network)は大規模な3次元医療画像にはほとんど適用されない。 本研究は、未ペアドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。 ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。
• 参考スコア（独自算出の注目度）: 0.15092198588928965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) are currently rarely applied on 3D medical images of large size, due to their immense computational demand. The present work proposes a multi-scale patch-based GAN approach for establishing unpaired domain translation by generating 3D medical image volumes of high resolution in a memory-efficient way. The key idea to enable memory-efficient image generation is to first generate a low-resolution version of the image followed by the generation of patches of constant sizes but successively growing resolutions. To avoid patch artifacts and incorporate global information, the patch generation is conditioned on patches from previous resolution scales. Those multi-scale GANs are trained to generate realistically looking images from image sketches in order to perform an unpaired domain translation. This allows to preserve the topology of the test data and generate the appearance of the training domain data. The evaluation of the domain translation scenarios is performed on brain MRIs of size 155x240x240 and thorax CTs of size up to 512x512x512. Compared to common patch-based approaches, the multi-resolution scheme enables better image quality and prevents patch artifacts. Also, it ensures constant GPU memory demand independent from the image size, allowing for the generation of arbitrarily large images.
• Abstract（参考訳）: generative adversarial networks (gans) は現在、膨大な計算需要のため、大規模な3d医療画像に適用されることはほとんどない。 本研究は,高解像度の3次元医用画像ボリュームをメモリ効率よく生成することにより,不適切なドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。 メモリ効率の良い画像生成を可能にする重要なアイデアは、まず画像の低解像度バージョンを生成し、続いて一定サイズのパッチを生成する。 パッチアーティファクトを回避し、グローバル情報を組み込むため、パッチ生成は以前の解像度スケールからパッチに条件付けされる。 マルチスケールのganは、画像スケッチからリアルに見える画像を生成するように訓練され、非ペアリングなドメイン翻訳を行う。 これにより、テストデータのトポロジを保持し、トレーニングドメインデータの外観を生成することができる。 ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。 一般的なパッチベースアプローチと比較して、マルチレゾリューションスキームは画像品質の向上とパッチアーティファクトの防止を可能にする。 また、画像サイズから独立して一定のGPUメモリ要求を保証し、任意に大きな画像を生成することができる。

関連論文リスト

• Any-Size-Diffusion: Toward Efficient Text-Driven Synthesis for Any-Size HD Images [56.17404812357676]
  テキストと画像の合成に使用される生成モデルである安定拡散は、様々なサイズの画像を生成する際にしばしば構成問題に遭遇する。 そこで我々は,任意の大きさの画像を効率よく生成するために,Any-Size-Diffusion (ASD) という2段階のパイプラインを提案する。 ASDは任意のサイズの画像を生成することができ、従来のタイル付きアルゴリズムと比較して推論時間を2倍削減できることを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:27:56Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Memory-Efficient 3D Denoising Diffusion Models for Medical Image Processing [0.9424565541639366]
  本稿では,3次元拡散モデルにおける資源消費の削減法について述べる。 本論文の主な貢献は,メモリ効率のパッチベース拡散モデルである。 提案した拡散モデルは,任意の画像生成タスクに適用できるが,BraTS 2020データセットの腫瘍セグメンテーションタスクについて評価する。
  論文  参考訳（メタデータ） (2023-03-27T15:10:19Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• HIPA: Hierarchical Patch Transformer for Single Image Super Resolution [62.7081074931892]
  本稿では,階層型パッチ分割を用いた高解像度画像を段階的に復元する新しいトランスフォーマーアーキテクチャHIPAを提案する。 入力画像を複数のステージで処理するカスケードモデルを構築し、小さなパッチサイズでトークンから始めて、徐々に全解像度にマージします。 このような階層的なパッチ機構は、複数の解像度で機能集約を可能にするだけでなく、異なる画像領域に対するパッチ認識機能も適応的に学習する。
  論文  参考訳（メタデータ） (2022-03-19T05:09:34Z)
• MICDIR: Multi-scale Inverse-consistent Deformable Image Registration using UNetMSS with Self-Constructing Graph Latent [0.0]
  本稿ではVoxelmorphアプローチを3つの異なる方法で拡張する。 変形の小さい場合や大きな場合の性能向上のために,マルチスケールのUNetを用いて,解像度の異なるモデルの監視を行った。 脳MRIの登録作業において、提案手法はANTやVoxelMorphよりも大幅に改善された。
  論文  参考訳（メタデータ） (2022-03-08T18:07:47Z)
• Learning to Rearrange Voxels in Binary Segmentation Masks for Smooth Manifold Triangulation [0.8968417883198374]
  本稿では,画像の粗い表現生成にのみ深層学習アルゴリズムが責任を負うような,粗大な方法で高解像度画像を再構成できることを提案する。 高分解能な結果を生成するために,粗大出力のボクセル再構成と階層画像合成という2つの新しい手法を提案する。 粗い出力と比較すると、高解像度のものは滑らかな表面三角測量を可能にし、最高品質で3Dプリントできる。
  論文  参考訳（メタデータ） (2021-08-11T15:11:34Z)
• SOUP-GAN: Super-Resolution MRI Using Generative Adversarial Networks [9.201328999176402]
  本稿では,GAN(Perceptual-tuned Generative Adversarial Network)を用いたSOUP-GANというフレームワークを提案する。 本モデルは,新しい3D SR技術として期待でき,臨床と研究の両方に応用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-06-04T16:59:23Z)
• InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
  任意の解像度画像を生成するinfinityganを提案する。 少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
  論文  参考訳（メタデータ） (2021-04-08T17:59:30Z)
• Multi-Texture GAN: Exploring the Multi-Scale Texture Translation for Brain MR Images [1.9163481966968943]
  既存のアルゴリズムのかなりの割合は、ターゲットスキャナーからテクスチャの詳細を明示的に利用し保存することはできない。 本論文では,再構成イメージをより詳細に強調するために,マルチスケールテクスチャ転送の設計を行う。 本手法は,最先端手法において,プロトコール間あるいはスカンナ間翻訳において優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-02-14T19:14:06Z)
• 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。