論文の概要: FREA-Unet: Frequency-aware U-net for Modality Transfer
- arxiv url: http://arxiv.org/abs/2012.15397v1
- Date: Thu, 31 Dec 2020 01:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 17:00:35.517161
- Title: FREA-Unet: Frequency-aware U-net for Modality Transfer
- Title(参考訳): FREA-Unet:モード転送のための周波数対応U-net
- Authors: Hajar Emami, Qiong Liu, Ming Dong
- Abstract要約: MRIデータから合成PET画像を生成するための新しい周波数認識型注意Uネットを提案する。
Unetは低周波層や高周波層における特徴写像の注意点を計算し、それをモデルがより重要な領域に集中するのに役立てます。
- 参考スコア(独自算出の注目度): 9.084926957557842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Positron emission tomography (PET) imaging has been widely used in
diagnosis of number of diseases, it has costly acquisition process which
involves radiation exposure to patients. However, magnetic resonance imaging
(MRI) is a safer imaging modality that does not involve patient's exposure to
radiation. Therefore, a need exists for an efficient and automated PET image
generation from MRI data. In this paper, we propose a new frequency-aware
attention U-net for generating synthetic PET images. Specifically, we
incorporate attention mechanism into different U-net layers responsible for
estimating low/high frequency scales of the image. Our frequency-aware
attention Unet computes the attention scores for feature maps in low/high
frequency layers and use it to help the model focus more on the most important
regions, leading to more realistic output images. Experimental results on 30
subjects from Alzheimers Disease Neuroimaging Initiative (ADNI) dataset
demonstrate good performance of the proposed model in PET image synthesis that
achieved superior performance, both qualitative and quantitative, over current
state-of-the-arts.
- Abstract(参考訳): ポジトロン・エミッション・トモグラフィー(PET)は疾患の診断に広く用いられているが、患者への放射線曝露を伴う高価な取得プロセスがある。
しかし、MRI(MRI)は、患者の放射線曝露を伴わない、より安全な画像モダリティである。
したがって、MRIデータから効率よく自動化されたPET画像を生成する必要がある。
本稿では,合成PET画像を生成するための新しい周波数認識型U-netを提案する。
具体的には、画像の低/高周波数スケールを推定する様々なu-net層に注意機構を組み込む。
我々の周波数アウェアメントUnetは、低周波層における特徴写像の注意スコアを計算し、それをモデルがより重要な領域に集中するのに役立て、よりリアルな出力画像を生み出す。
アルツハイマー病ニューロイメージングイニシアチブ(ADNI)データセットを用いた30名の被験者による実験結果から,現状よりも質的,定量的に優れたPET画像合成性能を示した。
関連論文リスト
- Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Synthesizing PET images from High-field and Ultra-high-field MR images
Using Joint Diffusion Attention Model [18.67282361664074]
PETスキャンはコストが高く、放射性曝露を伴うため、PETが欠如する。
超高磁場イメージングは臨床と学術の両方で有用であることが証明されている。
高速MRIと超高磁場MRIの合成PET法を提案する。
論文 参考訳(メタデータ) (2023-05-06T02:41:03Z) - CG-3DSRGAN: A classification guided 3D generative adversarial network
for image quality recovery from low-dose PET images [10.994223928445589]
PET画像では, トレーサー線量による高放射能が主な関心事である。
投与量を減少させると、画像の質が不十分になる。
CNNを用いた低線量PET合成法が開発されている。
論文 参考訳(メタデータ) (2023-04-03T05:39:02Z) - Generative AI for Rapid Diffusion MRI with Improved Image Quality,
Reliability and Generalizability [3.6119644566822484]
我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。
成人健常者におけるHCPデータを用いた超解像実験を行った。
高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
論文 参考訳(メタデータ) (2023-03-10T03:39:23Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising
Performance [0.0]
解剖学的情報誘導型注意機構に基づく教師なし3次元PET画像復調手法を提案する。
MR-GDD(MR-GDD)はMR-Guidance画像の空間的詳細と意味的特徴をより効果的に活用する。
論文 参考訳(メタデータ) (2021-09-02T09:27:07Z) - Towards Lower-Dose PET using Physics-Based Uncertainty-Aware Multimodal
Learning with Robustness to Out-of-Distribution Data [2.624902795082451]
PET線量や取得時間を減らすことで光子数が少なくなり、画質が低下する。
近年のディープ・ニューラル・ネットワーク(DNN)による画像間翻訳手法により,低品質PET画像のマッピングが可能となった。
我々のフレームワークであるSuDNNは、低線量/低線量PET画像の形でマルチモーダル入力を用いて標準線量PET画像を推定する。
論文 参考訳(メタデータ) (2021-07-21T06:18:10Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z)
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。