論文の概要: A multi-stage GAN for multi-organ chest X-ray image generation and segmentation

• arxiv url: http://arxiv.org/abs/2106.05132v1
• Date: Wed, 9 Jun 2021 15:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 14:58:52.162638
• Title: A multi-stage GAN for multi-organ chest X-ray image generation and segmentation
• Title（参考訳）: 胸部X線画像生成・分割のための多段階GAN
• Authors: Giorgio Ciano, Paolo Andreini, Tommaso Mazzierli, Monica Bianchini and Franco Scarselli
• Abstract要約: GAN(Generative Adrial Networks)に基づく新しい多段階生成アルゴリズムを提案する。 他のアプローチとは異なり、生成はいくつかの段階で発生し、手順を単純化し、非常に小さなデータセットで使用することができる。 多段階のアプローチは最先端を実現し、GANを訓練するのに非常に少ない画像を使用する場合、対応する単一段階のアプローチよりも優れる。
• 参考スコア（独自算出の注目度）: 2.7561479348365734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-organ segmentation of X-ray images is of fundamental importance for computer aided diagnosis systems. However, the most advanced semantic segmentation methods rely on deep learning and require a huge amount of labeled images, which are rarely available due to both the high cost of human resources and the time required for labeling. In this paper, we present a novel multi-stage generation algorithm based on Generative Adversarial Networks (GANs) that can produce synthetic images along with their semantic labels and can be used for data augmentation. The main feature of the method is that, unlike other approaches, generation occurs in several stages, which simplifies the procedure and allows it to be used on very small datasets. The method has been evaluated on the segmentation of chest radiographic images, showing promising results. The multistage approach achieves state-of-the-art and, when very few images are used to train the GANs, outperforms the corresponding single-stage approach.
• Abstract（参考訳）: X線画像の多臓器分割は、コンピュータ支援診断システムにおいて重要である。 しかし、最も先進的なセマンティックセグメンテーション手法は深層学習に依存し、大量のラベル付き画像を必要とする。 本稿では,その意味的ラベルとともに合成画像を生成でき,データ拡張にも使用可能な,生成型逆ネットワーク(gans)に基づく新しい多段生成アルゴリズムを提案する。 このメソッドの主な特徴は、他のアプローチとは異なり、生成はいくつかの段階で行われ、手順を単純化し、非常に小さなデータセットで使用できるようにすることである。 本手法は胸部X線画像のセグメンテーションで評価され,有望な結果を示した。 マルチステージアプローチは最先端を実現し、GANのトレーニングに非常に少ない画像を使用する場合、対応する単一ステージアプローチよりも優れる。

関連論文リスト

• MVC: A Multi-Task Vision Transformer Network for COVID-19 Diagnosis from Chest X-ray Images [10.616065108433798]
  本稿では,胸部X線画像を同時に分類し,入力データから影響領域を識別するマルチタスク・ビジョン・トランスフォーマ(MVC)を提案する。 提案手法はVision Transformer上に構築されているが,マルチタスク設定で学習能力を拡張している。
  論文  参考訳（メタデータ） (2023-09-30T15:52:18Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• Cross-Modality Sub-Image Retrieval using Contrastive Multimodal Image Representations [3.3754780158324564]
  異なるモダリティによってキャプチャされた類似(または同じ)コンテンツのイメージは、共通の構造をほとんど共有しないため、モダリティ間の画像検索は困難である。 本稿では,モダリティ間の逆(サブ)画像検索のためのアプリケーション非依存のコンテンツベース画像検索システムを提案する。
  論文  参考訳（メタデータ） (2022-01-10T19:04:28Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
  我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。 提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。 本手法は最先端のワンショット医療セグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2021-02-03T12:28:04Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。