Fugu-MT 論文翻訳(概要): Three Dimensional MR Image Synthesis with Progressive Generative Adversarial Networks

論文の概要: Three Dimensional MR Image Synthesis with Progressive Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2101.05218v1
Date: Fri, 18 Dec 2020 16:38:40 GMT
ステータス: 処理完了
システム内更新日: 2021-05-01 18:01:26.931117
Title: Three Dimensional MR Image Synthesis with Progressive Generative Adversarial Networks
Title（参考訳）: プログレッシブ生成逆ネットワークを用いた3次元mr画像合成
Authors: Muzaffer \"Ozbey, Mahmut Yurt, Salman Ul Hassan Dar, Tolga \c{C}ukur
Abstract要約: 断面モデルはモデルの複雑さを減少させるが、不連続性アーティファクトにつながる可能性がある。随意モデルは不連続なアーティファクトを緩和するが、モデルの複雑さの増加によって空間分解能が失われる可能性がある。個々の方向をまたいでより単純な合成タスクにより目標体積を漸進的に回復する新しいモデルを提案する。
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: Mainstream deep models for three-dimensional MRI synthesis are either cross-sectional or volumetric depending on the input. Cross-sectional models can decrease the model complexity, but they may lead to discontinuity artifacts. On the other hand, volumetric models can alleviate the discontinuity artifacts, but they might suffer from loss of spatial resolution due to increased model complexity coupled with scarce training data. To mitigate the limitations of both approaches, we propose a novel model that progressively recovers the target volume via simpler synthesis tasks across individual orientations.
Abstract（参考訳）: 3次元MRI合成の主ストリーム深部モデルは、入力に応じて断面的または体積的である。断面モデルはモデルの複雑さを減少させるが、不連続な成果物につながる可能性がある。一方で、ボリュームモデルは不連続なアーティファクトを軽減できるが、モデルの複雑さの増加とトレーニングデータの不足により、空間分解能が失われる可能性がある。両手法の限界を緩和するため,各方向を横断する単純な合成タスクにより,目標音量を段階的に回復するモデルを提案する。

関連論文リスト

SVoRT: Iterative Transformer for Slice-to-Volume Registration in Fetal Brain MRI [5.023544755441559]
合成変換データに基づいて学習したトランスフォーマーを用いた新しいスライス・ツー・ボリューム登録法を提案する。本モデルでは,スライス間の関係を自動的に検出し,他のスライス情報を用いてスライス間の変換を予測する。また, 重度胎児運動下での3次元再構成の精度向上のためのモデルの有効性を示すために, 実世界のMRIデータを用いた実験を行った。
論文参考訳（メタデータ） (2022-06-22T01:55:42Z)
Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2022-03-29T07:14:58Z)
Neural Computed Tomography [1.7188280334580197]
一連のプロジェクションの取得時の運動は、CT再構成において重要な運動アーティファクトにつながる可能性がある。動作成果物から解放された時間分解画像を生成するための新しい再構成フレームワークであるNeuralCTを提案する。
論文参考訳（メタデータ） (2022-01-17T18:50:58Z)
Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文参考訳（メタデータ） (2021-11-08T05:29:35Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文参考訳（メタデータ） (2021-05-11T16:02:39Z)
Feature Disentanglement in generating three-dimensional structure from two-dimensional slice with sliceGAN [35.3148116010546]
スライスGANは,2次元スライス(2次元スライス)の微細構造特性を捉えるために,GAN(Generative Adversarial Network)を用いた新しい手法を提案した。スライスGANをAdaINと組み合わせて、モデルを機能を切り離し、合成を制御することができるようにします。
論文参考訳（メタデータ） (2021-05-01T08:29:33Z)
Robust joint registration of multiple stains and MRI for multimodal 3D histology reconstruction: Application to the Allen human brain atlas [5.303976649864034]
複数の組織染色を再現する空間的変形の確率論的モデルを提案する。本手法は, アウトリーヤの存在下においても複数のコントラストを正確かつ堅牢に登録できることを示した。また, 組織学とMRIにおいて最も多く用いられている2つのアトラスのギャップを埋めるMNI空間の対応も提供する。
論文参考訳（メタデータ） (2021-04-30T09:57:33Z)
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)
Noise Estimation for Generative Diffusion Models [91.22679787578438]
そこで本研究では,任意のステップの雑音パラメータを調整可能な,単純で汎用的な学習手法を提案する。私たちのアプローチは計算コストが無視できるものです。
論文参考訳（メタデータ） (2021-04-06T15:46:16Z)
Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。