論文の概要: Information-based Disentangled Representation Learning for Unsupervised
MR Harmonization
- arxiv url: http://arxiv.org/abs/2103.13283v1
- Date: Wed, 24 Mar 2021 15:54:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 14:09:04.241296
- Title: Information-based Disentangled Representation Learning for Unsupervised
MR Harmonization
- Title(参考訳): 教師なしMRハーモニゼーションのための情報に基づく分散表現学習
- Authors: Lianrui Zuo, Blake E. Dewey, Aaron Carass, Yihao Liu, Yufan He, Peter
A. Calabresi, Jerry L. Prince
- Abstract要約: 精度と一貫性は、コンピュータ支援磁気共鳴(MR)画像解析における2つの重要な要素です。
MR取得における標準化の欠如に起因する部位間のコントラストの変化は、一貫した測定を妨げます。
CalAMITIは、移動対象を必要とせず、多地点調和のための統一構造を用いて、非絡み合いの潜在空間を学習する。
- 参考スコア(独自算出の注目度): 8.170262034101688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accuracy and consistency are two key factors in computer-assisted magnetic
resonance (MR) image analysis. However, contrast variation from site to site
caused by lack of standardization in MR acquisition impedes consistent
measurements. In recent years, image harmonization approaches have been
proposed to compensate for contrast variation in MR images. Current
harmonization approaches either require cross-site traveling subjects for
supervised training or heavily rely on site-specific harmonization models to
encourage harmonization accuracy. These requirements potentially limit the
application of current harmonization methods in large-scale multi-site studies.
In this work, we propose an unsupervised MR harmonization framework, CALAMITI
(Contrast Anatomy Learning and Analysis for MR Intensity Translation and
Integration), based on information bottleneck theory. CALAMITI learns a
disentangled latent space using a unified structure for multi-site
harmonization without the need for traveling subjects. Our model is also able
to adapt itself to harmonize MR images from a new site with fine tuning solely
on images from the new site. Both qualitative and quantitative results show
that the proposed method achieves superior performance compared with other
unsupervised harmonization approaches.
- Abstract(参考訳): 精度と一貫性は、コンピュータ支援磁気共鳴(MR)画像解析における2つの重要な要素である。
しかし、MR取得における標準化の欠如によるサイトからサイトへのコントラストの変化は、一貫した測定を妨げている。
近年,mr画像のコントラスト変動を補正するための画像調和手法が提案されている。
現在のハーモニゼーションアプローチでは、教師付きトレーニングのためにクロスサイト旅行者を必要とするか、ハーモニゼーションの精度を高めるためにサイト固有のハーモニゼーションモデルに強く依存する。
これらの要件は、大規模マルチサイト研究における現在の調和法の適用を制限する可能性がある。
本稿では,情報ボトルネック理論に基づく教師なしMR調和フレームワークであるCALAMITI(Contrast Anatomy Learning and Analysis for MR Intensity Translation and Integration)を提案する。
CALAMITIは、移動対象を必要とせず、多地点調和のための統一構造を用いて、非絡み合いの潜在空間を学習する。
我々のモデルは、新しいサイトからのMR画像の調和にも適応でき、新しいサイトからの画像のみを微調整できる。
定性的および定量的な結果から,提案手法は他の教師なし調和法と比較して優れた性能が得られることが示された。
関連論文リスト
- DuDoUniNeXt: Dual-domain unified hybrid model for single and
multi-contrast undersampled MRI reconstruction [24.937435059755288]
そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。
実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2024-03-08T12:26:48Z) - Quantitative Metrics for Benchmarking Medical Image Harmonization [0.04590531202809992]
医用画像の2つの強度調和測定値と1つの解剖学的保存測定値を提案する。
これらの新しい指標が、調和基盤の真理が存在しない現実世界のシナリオにどのように適用されるかを示す。
我々は,これらの量調和化指標を画像調和化技術の性能のベンチマークの標準として採用することを提唱する。
論文 参考訳(メタデータ) (2024-02-06T21:56:38Z) - IGUANe: a 3D generalizable CycleGAN for multicenter harmonization of
brain MR images [0.0]
画像翻訳のための深層学習手法が, MR画像との調和のためのソリューションとして登場した。
本研究では,ドメイン翻訳の強みを生かしたオリジナル3DモデルIGUANeを紹介する。
モデルは未知の取得サイトからでも任意の画像に適用することができる。
論文 参考訳(メタデータ) (2024-02-05T17:38:49Z) - Low-resolution Prior Equilibrium Network for CT Reconstruction [3.5639148953570836]
本稿では,低分解能画像を導入し,ネットワークの堅牢性を改善するための効果的な正規化項を得る,新しいディープラーニングベースのCT再構成モデルを提案する。
狭角化と狭角化の両問題を実験的に検討し, ノイズ低減, コントラスト・ツー・ノイズ比, エッジ細部保存の両面において, エンド・ツー・エンドの低分解能事前平衡モデルが他の最先端手法よりも優れていることを示した。
論文 参考訳(メタデータ) (2024-01-28T13:59:58Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳(メタデータ) (2022-10-25T08:34:29Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - Image Harmonization with Region-wise Contrastive Learning [51.309905690367835]
本稿では,外部スタイルの融合と領域単位のコントラスト学習方式を備えた新しい画像調和フレームワークを提案する。
提案手法は, 前景と背景の相互情報を最大化することにより, 対応する正と負のサンプルをまとめることを試みる。
論文 参考訳(メタデータ) (2022-05-27T15:46:55Z) - Robust Single Image Dehazing Based on Consistent and Contrast-Assisted
Reconstruction [95.5735805072852]
画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。
具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。
我々の手法は最先端のアプローチを大きく上回っている。
論文 参考訳(メタデータ) (2022-03-29T08:11:04Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳(メタデータ) (2020-04-15T15:46:09Z)
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。