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

• Learning Two-factor Representation for Magnetic Resonance Image Super-resolution [1.294284364022674]
  2要素表現に基づくMR画像超解像法を提案する。 具体的には、強度信号を学習可能な基底と係数の線形結合に分解する。 提案手法は最先端の性能を達成し,より優れた視覚的忠実度とロバスト性を実現する。
  論文  参考訳（メタデータ） (2024-09-15T13:32:24Z)
• Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details [0.0]
  マルチセンター・ニューロイメージング研究は、サイト間のバッチ差による技術的変動に直面している。 GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための重要な手法である。 我々は神経画像調和のための拡散モデルの有効性を評価した。
  論文  参考訳（メタデータ） (2024-09-01T18:54:00Z)
• DiffHarmony: Latent Diffusion Model Meets Image Harmonization [11.500358677234939]
  拡散モデルは画像から画像への翻訳タスクの迅速な開発を促進する。 スクラッチからの微調整事前学習潜伏拡散モデルは計算集約的である。 本稿では,事前学習した潜伏拡散モデルを画像調和タスクに適用し,調和性はあるが曖昧な初期画像を生成する。
  論文  参考訳（メタデータ） (2024-04-09T09:05:23Z)
• 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)
• 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。 ドメインペアに基づくフレームワークは、サイト関連と生物学的変動の混同を防止するサンプリング戦略の実装を可能にする。
  論文  参考訳（メタデータ） (2024-02-05T17:38:49Z)
• 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 [60.45350399661175]
  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。