論文の概要: CNNs and GANs in MRI-based cross-modality medical image estimation
- arxiv url: http://arxiv.org/abs/2106.02198v1
- Date: Fri, 4 Jun 2021 01:27:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 14:55:09.795895
- Title: CNNs and GANs in MRI-based cross-modality medical image estimation
- Title（参考訳）: MRIを用いた医療画像評価におけるCNNとGAN
- Authors: Azin Shokraei Fard, David C. Reutens, Viktor Vegh
- Abstract要約: クロスモダリティ画像推定では、別のモダリティの画像から1つの医療画像モダリティの画像を生成する。
CNNは画像パターンの識別、特徴付け、抽出に有用であることが示されている。
生成敵対ネットワーク(GAN)は、CNNをジェネレータとして使用し、推定画像は追加ネットワークに基づいて真または偽と判別される。
- 参考スコア（独自算出の注目度）: 1.5469452301122177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-modality image estimation involves the generation of images of one
medical imaging modality from that of another modality. Convolutional neural
networks (CNNs) have been shown to be useful in identifying, characterising and
extracting image patterns. Generative adversarial networks (GANs) use CNNs as
generators and estimated images are discriminated as true or false based on an
additional network. CNNs and GANs within the image estimation framework may be
considered more generally as deep learning approaches, since imaging data tends
to be large, leading to a larger number of network weights. Almost all research
in the CNN/GAN image estimation literature has involved the use of MRI data
with the other modality primarily being PET or CT. This review provides an
overview of the use of CNNs and GANs for MRI-based cross-modality medical image
estimation. We outline the neural networks implemented, and detail network
constructs employed for CNN and GAN image-to-image estimators. Motivations
behind cross-modality image estimation are provided as well. GANs appear to
provide better utility in cross-modality image estimation in comparison with
CNNs, a finding drawn based on our analysis involving metrics comparing
estimated and actual images. Our final remarks highlight key challenges faced
by the cross-modality medical image estimation field, and suggestions for
future research are outlined.
- Abstract（参考訳）: クロスモダリティ画像推定は、ある医療画像モダリティから別のモダリティの画像を生成することを含む。
畳み込みニューラルネットワーク(CNN)は、画像パターンの識別、特徴付け、抽出に有用であることが示されている。
generative adversarial network (gans) はcnnをジェネレータとして使用し、推定画像は追加のネットワークに基づいてtrueまたはfalseと識別される。
画像推定フレームワーク内のcnnとganは、画像データが大きい傾向があり、ネットワーク重みの増加につながるため、ディープラーニングアプローチとしてより一般的に考慮される可能性がある。
CNN/GAN画像推定文献におけるほとんどの研究は、MRIデータとPETまたはCTの他のモダリティの使用に関係している。
本稿では,MRI を用いた医療画像推定における CNN と GAN の利用について概説する。
本稿では,実装されたニューラルネットワークの概要と,cnnおよびgan画像から画像への推定に使用されるネットワーク構成の詳細について述べる。
クロスモダリティ画像推定の背後にあるモチベーションも提供される。
GANは、推定画像と実画像を比較した指標を含む分析結果であるCNNと比較して、モダリティ間画像推定において、より良い有用性を提供すると考えられる。
最後に, クロスモダリティ医療画像推定分野が直面する課題を強調し, 今後の研究への提言について概説する。
関連論文リスト
- Comparative Analysis of Deep Convolutional Neural Networks for Detecting Medical Image Deepfakes [0.0]
本稿では,13種類の最新のDeep Convolutional Neural Network(DCNN)モデルについて総合評価を行った。
ResNet50V2は精度と特異性に優れており、DenseNet169はその正確さ、リコール、F1スコアで区別されている。
また,DenseNetモデルとEfficientNetモデルの両方において,検討対象のDCNN間の遅延空間分離性の評価を行った。
論文 参考訳（メタデータ） (2024-01-08T16:37:22Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Conversion Between CT and MRI Images Using Diffusion and Score-Matching
Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。
以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。
本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文 参考訳（メタデータ） (2022-09-24T23:50:54Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain
Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成
本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文 参考訳（メタデータ） (2021-03-05T16:22:31Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z)
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。