論文の概要: PTNet: A High-Resolution Infant MRI Synthesizer Based on Transformer
- arxiv url: http://arxiv.org/abs/2105.13993v1
- Date: Fri, 28 May 2021 17:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 13:43:47.222415
- Title: PTNet: A High-Resolution Infant MRI Synthesizer Based on Transformer
- Title(参考訳): PTNet:トランスを用いた高分解能乳幼児MRI合成装置
- Authors: Xuzhe Zhang, Xinzi He, Jia Guo, Nabil Ettehadi, Natalie Aw, David
Semanek, Jonathan Posner, Andrew Laine, Yun Wang
- Abstract要約: 新しいMRI合成フレームワーク - ピラミッドトランスフォーマーネット (PTNet) について紹介する。
PTNetはトランス層、スキップ接続、マルチスケールピラミッド表現で構成されている。
最も広く使われているCNNベースの条件付きGANモデルと比較して、PTNetは合成精度とモデルサイズにおいて優れた性能を示す。
- 参考スコア(独自算出の注目度): 9.04141563883558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) noninvasively provides critical information
about how human brain structures develop across stages of life. Developmental
scientists are particularly interested in the first few years of
neurodevelopment. Despite the success of MRI collection and analysis for
adults, it is a challenge for researchers to collect high-quality multimodal
MRIs from developing infants mainly because of their irregular sleep pattern,
limited attention, inability to follow instructions to stay still, and a lack
of analysis approaches. These challenges often lead to a significant reduction
of usable data. To address this issue, researchers have explored various
solutions to replace corrupted scans through synthesizing realistic MRIs. Among
them, the convolution neural network (CNN) based generative adversarial network
has demonstrated promising results and achieves state-of-the-art performance.
However, adversarial training is unstable and may need careful tuning of
regularization terms to stabilize the training. In this study, we introduced a
novel MRI synthesis framework - Pyramid Transformer Net (PTNet). PTNet consists
of transformer layers, skip-connections, and multi-scale pyramid
representation. Compared with the most widely used CNN-based conditional GAN
models (namely pix2pix and pix2pixHD), our model PTNet shows superior
performance in terms of synthesis accuracy and model size. Notably, PTNet does
not require any type of adversarial training and can be easily trained using
the simple mean squared error loss.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)は、生命の段階にわたって人間の脳構造がどのように発達するかについて重要な情報を提供する。
発達科学者は神経発達の最初の数年間に特に興味を持っている。
成人のMRI収集と分析の成功にもかかわらず、主に不規則な睡眠パターン、注意不足、静止する指示に従えないこと、分析アプローチの欠如により、発達中の幼児から高品質なマルチモーダルMRIを収集することは、研究者にとって困難である。
これらの課題は、しばしば有用データの大幅な削減につながる。
この問題に対処するため、研究者はリアルなMRIを合成することで、腐敗したスキャンを置き換える様々な方法を模索してきた。
その中でも,畳み込みニューラルネットワーク(cnn)を基盤としたジェネレーティブ・バイバーサル・ネットワークは有望な結果を示し,最先端のパフォーマンスを実現している。
しかし、敵の訓練は不安定であり、訓練を安定させるためには規則化用語を慎重に調整する必要がある。
本研究では,新しいMRI合成フレームワーク - Pyramid Transformer Net (PTNet)を導入した。
PTNetはトランス層、スキップ接続、マルチスケールピラミッド表現で構成されている。
最も広く使われているCNNベースの条件付きGANモデル(pix2pixとpix2pixHD)と比較して、PTNetは合成精度とモデルサイズにおいて優れた性能を示す。
特に、ptnetはいかなる対向訓練も必要とせず、単純な平均二乗誤差損失を使って容易に訓練することができる。
関連論文リスト
- Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。
本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。
提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
論文 参考訳(メタデータ) (2024-11-19T21:42:57Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - 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) - Generative AI for Rapid Diffusion MRI with Improved Image Quality,
Reliability and Generalizability [3.6119644566822484]
我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。
成人健常者におけるHCPデータを用いた超解像実験を行った。
高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
論文 参考訳(メタデータ) (2023-03-10T03:39:23Z) - Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
論文 参考訳(メタデータ) (2022-11-28T04:09:21Z) - 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) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and
no Retraining [1.0499611180329802]
クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。
画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。
一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。
条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
論文 参考訳(メタデータ) (2022-03-03T19:18:28Z) - 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) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳(メタデータ) (2021-08-03T08:52:06Z) - ResViT: Residual vision transformers for multi-modal medical image
synthesis [0.0]
本稿では、畳み込み演算子の局所的精度と視覚変換器の文脈的感度を組み合わせ、医用画像合成のための新しい生成逆変換手法ResViTを提案する。
以上の結果から,ResViTと競合する手法の質的観察と定量化の両面での優位性が示唆された。
論文 参考訳(メタデータ) (2021-06-30T12:57:37Z)
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。