論文の概要: Learning stochastic object models from medical imaging measurements by
use of advanced AmbientGANs
- arxiv url: http://arxiv.org/abs/2106.14324v1
- Date: Sun, 27 Jun 2021 21:46:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 14:05:47.896586
- Title: Learning stochastic object models from medical imaging measurements by
use of advanced AmbientGANs
- Title（参考訳）: 高度なアンビエントガンを用いた医用画像計測による確率オブジェクトモデルの学習
- Authors: Weimin Zhou, Sayantan Bhadra, Frank J. Brooks, Hua Li, Mark A.
Anastasio
- Abstract要約: GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。
本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
- 参考スコア（独自算出の注目度）: 7.987904193401004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to objectively assess new medical imaging technologies via
computer-simulations, it is important to account for all sources of variability
that contribute to image data. One important source of variability that can
significantly limit observer performance is associated with the variability in
the ensemble of objects to-be-imaged. This source of variability can be
described by stochastic object models (SOMs), which are generative models that
can be employed to sample from a distribution of to-be-virtually-imaged
objects. It is generally desirable to establish SOMs from experimental imaging
measurements acquired by use of a well-characterized imaging system, but this
task has remained challenging. Deep generative neural networks, such as
generative adversarial networks (GANs) hold potential for such tasks. To
establish SOMs from imaging measurements, an AmbientGAN has been proposed that
augments a GAN with a measurement operator. However, the original AmbientGAN
could not immediately benefit from modern training procedures and GAN
architectures, which limited its ability to be applied to realistically sized
medical image data. To circumvent this, in this work, a modified AmbientGAN
training strategy is proposed that is suitable for modern progressive or
multi-resolution training approaches such as employed in the Progressive
Growing of GANs and Style-based GANs. AmbientGANs established by use of the
proposed training procedure are systematically validated in a controlled way by
use of computer-simulated measurement data corresponding to a stylized imaging
system. Finally, emulated single-coil experimental magnetic resonance imaging
data are employed to demonstrate the methods under less stylized conditions.
- Abstract（参考訳）: コンピュータシミュレーションによる新しい医用イメージング技術を客観的に評価するためには,画像データに寄与するすべての変動源を考慮することが重要である。
オブザーバのパフォーマンスを著しく制限できる変数の1つの重要な源は、イメージするオブジェクトのアンサンブルの変動と関連している。
この変数の源は確率的対象モデル(SOMs)によって記述することができ、これは仮想的な対象の分布からサンプルを採取するのに使用できる生成モデルである。
高い特性の撮像システムを用いて得られた実験画像計測からSOMを確立することが一般的に望ましいが、この課題はいまだに困難である。
generative adversarial networks (gans) のようなディープジェネレーションニューラルネットワークは、そのようなタスクの可能性を秘めている。
画像計測からSOMを確立するために、アンビエントGANが測定演算子でGANを増強する提案がなされている。
しかし、オリジナルのAmbientGANは現在の訓練手順やGANアーキテクチャの恩恵を受けられなかったため、現実的な大きさの医療画像データに適用する能力は制限された。
これを回避するため,本稿では,ganやスタイルベースganの進歩的成長に使用されるような,現代的なプログレッシブあるいはマルチレゾリューションなトレーニングアプローチに適した改良型アンビエントガントレーニング戦略を提案する。
提案手法を用いて確立されたアンビエントGANは、スタイリング画像システムに対応するコンピュータシミュレーション計測データを用いて、制御された方法で体系的に検証される。
最後に, 模擬単一コイル実験磁気共鳴画像データを用いて, よりスタイリングの少ない条件下での手法の実証を行った。
関連論文リスト
- 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) - Translating Imaging to Genomics: Leveraging Transformers for Predictive Modeling [9.403446155541346]
我々はトランスフォーマーネットワークを利用して画像とゲノムデータのギャップを埋めることを目指している。
利用可能なCT/MRI画像のみを用いてゲノム配列を予測することを提案する。
論文 参考訳（メタデータ） (2024-08-01T06:14:37Z) - AmbientCycleGAN for Establishing Interpretable Stochastic Object Models
Based on Mathematical Phantoms and Medical Imaging Measurements [4.573310303307945]
この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。
提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
論文 参考訳（メタデータ） (2024-02-02T06:30:33Z) - 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) - 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) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - 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) - Advancing the AmbientGAN for learning stochastic object models [7.445527629361621]
対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。
本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)の2つの高度なアンビエントGANアーキテクチャを提案する。
3D ProAmGANが画像計測から3D SOMを学習し、StyAmGANsが合成物の微細なテクスチャを制御できることを実証した。
論文 参考訳（メタデータ） (2021-01-30T18:08:23Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Learning stochastic object models from medical imaging measurements
using Progressively-Growing AmbientGANs [14.501812971529137]
オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。
良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
論文 参考訳（メタデータ） (2020-05-29T18:45:37Z) - Progressively-Growing AmbientGANs For Learning Stochastic Object Models
From Imaging Measurements [14.501812971529137]
医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。
本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。
医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
論文 参考訳（メタデータ） (2020-01-26T21:33:14Z)
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。