論文の概要: Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis

• arxiv url: http://arxiv.org/abs/2103.15510v1
• Date: Mon, 29 Mar 2021 11:30:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:13:43.304707
• Title: Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis
• Title（参考訳）: 現実的な光音響画像合成のためのデータ駆動型組織ジオメトリ生成
• Authors: Melanie Schellenberg, Janek Gr\"ohl, Kris Dreher, Niklas Holzwarth, Minu D. Tizabi, Alexander Seitel, Lena Maier-Hein
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.65837038435433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photoacoustic tomography (PAT) has the potential to recover morphological and functional tissue properties such as blood oxygenation with high spatial resolution and in an interventional setting. However, decades of research invested in solving the inverse problem of recovering clinically relevant tissue properties from spectral measurements have failed to produce solutions that can quantify tissue parameters robustly in a clinical setting. Previous attempts to address the limitations of model-based approaches with machine learning were hampered by the absence of labeled reference data needed for supervised algorithm training. While this bottleneck has been tackled by simulating training data, the domain gap between real and simulated images remains a huge unsolved challenge. As a first step to address this bottleneck, we propose a novel approach to PAT data simulation, which we refer to as "learning to simulate". Our approach involves subdividing the challenge of generating plausible simulations into two disjoint problems: (1) Probabilistic generation of realistic tissue morphology, represented by semantic segmentation maps and (2) pixel-wise assignment of corresponding optical and acoustic properties. In the present work, we focus on the first challenge. Specifically, we leverage the concept of Generative Adversarial Networks (GANs) trained on semantically annotated medical imaging data to generate plausible tissue geometries. According to an initial in silico feasibility study our approach is well-suited for contributing to realistic PAT image synthesis and could thus become a fundamental step for deep learning-based quantitative PAT.
• Abstract（参考訳）: 光音響トモグラフィ(PAT)は、高空間分解能の血液酸素化や介入条件下での形態学的および機能的組織特性を回復する可能性がある。 しかし、スペクトル測定から臨床関連組織特性を回復する逆問題の解決に何十年にもわたって投資されてきた研究は、臨床環境で組織パラメータを堅牢に定量化できるソリューションを作らなかった。 機械学習によるモデルベースアプローチの限界に対処する以前の試みは、教師付きアルゴリズムトレーニングに必要なラベル付き参照データがないために妨げられていた。 このボトルネックはトレーニングデータをシミュレートすることで解決されているが、実画像とシミュレーション画像のドメイン間ギャップは、いまだに解決されていない課題である。 このボトルネックに対処する第一歩として、我々は「シミュレーションの学習」と呼ぶPATデータシミュレーションの新しいアプローチを提案する。 提案手法は,(1)意味的セグメンテーションマップで表される現実的な組織形態の確率的生成と,(2)対応する光学的および音響的特性のピクセルワイドな割り当ての2つの相補的問題に分割する。 本研究では,第1の課題に焦点をあてる。 具体的には,GAN(Generative Adversarial Networks)の概念を,意味的に注釈付けされた医用画像データに基づいて学習し,可塑性組織ジオメトリを生成する。 この手法は現実的なPAT画像合成に適しており、深層学習に基づく定量的PATの基本的なステップとなる可能性がある。

関連論文リスト

• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
  定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。 この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。 我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
  論文  参考訳（メタデータ） (2023-06-19T15:37:53Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• 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 for Ultrasound Speed-of-Sound Reconstruction: Impacts of Training Data Diversity on Stability and Robustness [7.909848251752742]
  共生画像に基づくデータ生成のトレーニングのための新しいシミュレーション手法を提案する。 異なるシミュレーションパラメータに対するトレーニングネットワークの感度について検討した。 実験の結果,データ集合を用いてトレーニングしたネットワークは,測定されたファントムデータだけでなく,ドメイン外のシミュレーションデータでもより安定であることがわかった。
  論文  参考訳（メタデータ） (2022-02-01T11:09:35Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Invertible Neural Networks for Uncertainty Quantification in Photoacoustic Imaging [22.690971184202944]
  本研究では、条件付き可逆ニューラルネットワーク(cINN)の概念を活用することにより、この特定の不確実性を扱うための新しいアプローチを提案する。 具体的には、組織酸素化と単画素初期圧力スペクトルを全後確率密度に変換するために一般的に用いられる点推定を超えることを提案する。 提示されたアーキテクチャに基づいて、この情報を利用して検出・定量化するだけでなく、不確かさを補う2つのユースケースを実証する。
  論文  参考訳（メタデータ） (2020-11-10T14:17:18Z)

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。

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。