論文の概要: Enhanced Magnetic Resonance Image Synthesis with Contrast-Aware
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2102.09386v1
- Date: Wed, 17 Feb 2021 11:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 23:48:13.203640
- Title: Enhanced Magnetic Resonance Image Synthesis with Contrast-Aware
Generative Adversarial Networks
- Title（参考訳）: Contrast-Aware Generative Adversarial Networks を用いた高機能磁気共鳴画像合成
- Authors: Jonas Denck, Jens Guehring, Andreas Maier, Eva Rothgang
- Abstract要約: 各種取得パラメータを基準とした合成MR膝画像を生成するために,GAN(generative adversarial Network)を訓練した。
チューリング試験では、2人の専門家が実際のMR画像と合成画像の40.5%を誤ってラベル付けし、生成された合成画像と実際のMR画像の画質が同等であることを示した。
- 参考スコア（独自算出の注目度）: 5.3580471186206005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A Magnetic Resonance Imaging (MRI) exam typically consists of the acquisition
of multiple MR pulse sequences, which are required for a reliable diagnosis.
Each sequence can be parameterized through multiple acquisition parameters
affecting MR image contrast, signal-to-noise ratio, resolution, or scan time.
With the rise of generative deep learning models, approaches for the synthesis
of MR images are developed to either synthesize additional MR contrasts,
generate synthetic data, or augment existing data for AI training. However,
current generative approaches for the synthesis of MR images are only trained
on images with a specific set of acquisition parameter values, limiting the
clinical value of these methods as various sets of acquisition parameter
settings are used in clinical practice. Therefore, we trained a generative
adversarial network (GAN) to generate synthetic MR knee images conditioned on
various acquisition parameters (repetition time, echo time, image orientation).
This approach enables us to synthesize MR images with adjustable image
contrast. In a visual Turing test, two experts mislabeled 40.5% of real and
synthetic MR images, demonstrating that the image quality of the generated
synthetic and real MR images is comparable. This work can support radiologists
and technologists during the parameterization of MR sequences by previewing the
yielded MR contrast, can serve as a valuable tool for radiology training, and
can be used for customized data generation to support AI training.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)試験は通常、信頼性の高い診断に必要な複数のMRパルスシーケンスの取得で構成されています。
各シーケンスはmr画像のコントラスト、信号対雑音比、解像度、スキャン時間に影響する複数の取得パラメータを通じてパラメータ化することができる。
生成的ディープラーニングモデルの台頭に伴い、MR画像合成のためのアプローチが開発され、追加のMRコントラストを合成したり、合成データを生成したり、AIトレーニングのための既存のデータを拡張することができる。
しかし, MR画像合成における現在の生成的アプローチは, 特定の取得パラメータ値のセットを持つ画像に対してのみ訓練されており, 様々な取得パラメータ設定のセットとして, それらの手法の臨床的価値を制限している。
そこで我々はGAN(Generative Adversarial Network)を訓練し,様々な獲得パラメータ(反復時間,エコー時間,画像方向)に基づいて合成MR膝画像を生成する。
このアプローチにより、調整可能な画像コントラストでMR画像を合成できます。
ビジュアルチューリングテストでは、2人の専門家が実際のMR画像と合成画像の40.5%を誤ってラベル付けし、生成された合成画像と実際のMR画像の画質が同等であることを示した。
この研究は、得られたMRコントラストをプレビューすることで、MRシーケンスのパラメータ化の間、放射線学者や技術者を支援することができ、放射線学トレーニングの貴重なツールとなり、AIトレーニングをサポートするためにカスタマイズされたデータ生成に使用できる。
関連論文リスト
- Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。
ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。
空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
論文 参考訳（メタデータ） (2024-02-20T18:37:42Z) - Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳（メタデータ） (2023-10-31T16:39:56Z) - 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) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Deep Learning-Based MR Image Re-parameterization [0.0]
本稿では,MRI再パラメータ化のための新しいディープラーニング(DL)に基づく畳み込みモデルを提案する。
予備的な結果に基づいて、DLベースの手法は、re-パラメータ化を管理する非線形性を学ぶ可能性を秘めている。
論文 参考訳（メタデータ） (2022-06-11T12:39:37Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳（メタデータ） (2021-11-11T04:04:48Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - MR-Contrast-Aware Image-to-Image Translations with Generative
Adversarial Networks [5.3580471186206005]
MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。
提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2021-04-03T17:05:13Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z)
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。