Fugu-MT 論文翻訳(概要): Adversarial cycle-consistent synthesis of cerebral microbleeds for data augmentation

論文の概要: Adversarial cycle-consistent synthesis of cerebral microbleeds for data augmentation

arxiv url: http://arxiv.org/abs/2101.06468v1
Date: Sat, 16 Jan 2021 15:58:17 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 04:28:11.715349
Title: Adversarial cycle-consistent synthesis of cerebral microbleeds for data augmentation
Title（参考訳）: データ増強のための大脳微小血腫の相反サイクル一貫性合成
Authors: Khrystyna Faryna, Kevin Koschmieder, Marcella M. Paul, Thomas van den Heuvel, Anke van der Eerden, Rashindra Manniesing, Bram van Ginneken
Abstract要約: データ拡張のための制御可能な病理画像合成のための新しいフレームワークを提案する。 CycleGANにインスパイアされ、健康と病理の2つのドメイン間でサイクル一貫性のある画像から画像への翻訳を行います。外傷性脳損傷患者の脳微小出血の組織データセットに本手法を適用した。
参考スコア（独自算出の注目度）: 5.674961386020127
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel framework for controllable pathological image synthesis for data augmentation. Inspired by CycleGAN, we perform cycle-consistent image-to-image translation between two domains: healthy and pathological. Guided by a semantic mask, an adversarially trained generator synthesizes pathology on a healthy image in the specified location. We demonstrate our approach on an institutional dataset of cerebral microbleeds in traumatic brain injury patients. We utilize synthetic images generated with our method for data augmentation in cerebral microbleeds detection. Enriching the training dataset with synthetic images exhibits the potential to increase detection performance for cerebral microbleeds in traumatic brain injury patients.
Abstract（参考訳）: データ拡張のための制御可能な病理画像合成のための新しいフレームワークを提案する。 CycleGANにインスパイアされた我々は、健康と病理の2つの領域間で、サイクル一貫性のある画像と画像の変換を行う。意味マスクにより誘導され、敵が訓練したジェネレータは、指定された場所で健康な画像の病理を合成する。外傷性脳損傷患者の脳微小出血の組織データセットに本手法を適用した。我々は,脳微小出血検出におけるデータ増大のための合成画像を用いた。トレーニングデータセットを合成画像で強化すると、外傷性脳損傷患者の脳微血腫の検出性能が向上する可能性がある。

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)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
NeuroCine: Decoding Vivid Video Sequences from Human Brain Activties [23.893490180665996]
本稿では,fMRIデータを復号化するための新たな二相フレームワークであるNeuroCineを紹介する。公開されているfMRIデータセットでテストした結果,有望な結果が得られた。このモデルが既存の脳構造や機能と一致し,その生物学的妥当性と解釈可能性を示すことが示唆された。
論文参考訳（メタデータ） (2024-02-02T17:34:25Z)
Disentangled Multimodal Brain MR Image Translation via Transformer-based Modality Infuser [12.402947207350394]
マルチモーダル脳MR画像の合成を目的としたトランスフォーマーを用いたモダリティインジェクタを提案する。本手法では,エンコーダからモダリティに依存しない特徴を抽出し,その特徴をモダリティ固有の特徴に変換する。われわれはBraTS 2018データセットで4つのMRモードを変換する実験を行った。
論文参考訳（メタデータ） (2024-02-01T06:34:35Z)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文参考訳（メタデータ） (2023-03-26T14:14:58Z)
BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP for Generic Natural Visual Stimulus Decoding [51.911473457195555]
BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。脳の活動、画像、およびテキストの間のモダリティギャップを埋める。 BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
論文参考訳（メタデータ） (2023-02-25T03:28:54Z)
TBI-GAN: An Adversarial Learning Approach for Data Synthesis on Traumatic Brain Segmentation [14.183809518138242]
本稿では,TBI MR スキャンを2つの脳ラベルマップで合成するために,TBI-GAN という新しい医用画像インペイントモデルを提案する。 TBI-GAN法の主な強みは,TBI画像と対応するラベルマップを同時に生成できることである。実験結果から,提案手法は,高品質で有効なラベルマップを持つ十分に合成されたTBI画像を生成することができることがわかった。
論文参考訳（メタデータ） (2022-08-12T03:33:08Z)
Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images [1.7328025136996081]
局所病変の特徴をモデル化するための新しい生成法を提案する。健康な画像に合成病変を生成し、病理画像から被写体特異的な擬似健康画像を合成することができる。提案手法は,脳画像分割ネットワークを訓練するための合成画像を生成するデータ拡張モジュールとして利用することができる。
論文参考訳（メタデータ） (2022-08-03T15:12:55Z)
Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文参考訳（メタデータ） (2022-02-14T19:29:08Z)
Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文参考訳（メタデータ） (2020-06-24T18:00:01Z)

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。