論文の概要: Uncertainty-Guided Progressive GANs for Medical Image Translation

• arxiv url: http://arxiv.org/abs/2106.15542v1
• Date: Tue, 29 Jun 2021 16:26:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 18:05:33.801873
• Title: Uncertainty-Guided Progressive GANs for Medical Image Translation
• Title（参考訳）: 医用画像翻訳のための不確実性誘導プログレッシブガン
• Authors: Uddeshya Upadhyay, Yanbei Chen, Tobias Hepp, Sergios Gatidis, Zeynep Akata
• Abstract要約: 画像から画像への翻訳は、様々な医療画像のタスクに取り組む上で重要な役割を担っている。 画像から画像への変換のための不確実性誘導型プログレッシブラーニング手法を提案する。 医用画像翻訳の課題3つの課題に対して,本モデルの有効性を実証した。
• 参考スコア（独自算出の注目度）: 37.95176881950121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image-to-image translation plays a vital role in tackling various medical imaging tasks such as attenuation correction, motion correction, undersampled reconstruction, and denoising. Generative adversarial networks have been shown to achieve the state-of-the-art in generating high fidelity images for these tasks. However, the state-of-the-art GAN-based frameworks do not estimate the uncertainty in the predictions made by the network that is essential for making informed medical decisions and subsequent revision by medical experts and has recently been shown to improve the performance and interpretability of the model. In this work, we propose an uncertainty-guided progressive learning scheme for image-to-image translation. By incorporating aleatoric uncertainty as attention maps for GANs trained in a progressive manner, we generate images of increasing fidelity progressively. We demonstrate the efficacy of our model on three challenging medical image translation tasks, including PET to CT translation, undersampled MRI reconstruction, and MRI motion artefact correction. Our model generalizes well in three different tasks and improves performance over state of the art under full-supervision and weak-supervision with limited data. Code is released here: https://github.com/ExplainableML/UncerGuidedI2I
• Abstract（参考訳）: 画像から画像への変換は、減衰補正、運動補正、アンサンプされた再構成、ノイズ除去などの様々な医療画像処理に重要な役割を果たしている。 生成的敵ネットワークは,これらのタスクに対して高忠実度画像を生成するための最先端技術を実現することが示されている。 しかし、現在最先端のGANベースのフレームワークは、情報化医療決定とその後の医療専門家による改訂に不可欠なネットワークによる予測の不確かさを見積もっておらず、最近、そのモデルの性能と解釈性の向上が示されている。 本研究では,画像間翻訳のための不確実性誘導学習手法を提案する。 漸進的に訓練されたGANの注意マップとしてアレタリック不確かさを取り入れることで、徐々に忠実度が増大する画像を生成する。 PETからCTへの変換,MRIのアンサンプ化,MRIの運動アーチファクト補正などの3つの課題に対して,本モデルの有効性を実証した。 私たちのモデルは3つの異なるタスクでうまく一般化し、限られたデータで完全なスーパービジョンと弱いスーパービジョンの下での最先端のパフォーマンスを改善します。 https://github.com/ExplainableML/UncerGuidedI2I

関連論文リスト

• Deformation-aware GAN for Medical Image Synthesis with Substantially Misaligned Pairs [0.0]
  本稿では,逆整合性に基づく画像合成における誤りを動的に補正する新しい変形認識型GAN(DA-GAN)を提案する。 実験の結果, DA-GANは, 呼吸運動異常を伴う実世界の肺MRI-CTデータセットと模擬誤診を伴う公共データセットにおいて, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-18T10:29:35Z)
• Cascaded Multi-path Shortcut Diffusion Model for Medical Image Translation [26.67518950976257]
  高品質な医用画像翻訳と不確実性推定のためのカスケードマルチパスショートカット拡散モデル(CMDM)を提案する。 実験の結果,CMDMは最先端の手法に匹敵する高品質な翻訳を実現できることがわかった。
  論文  参考訳（メタデータ） (2024-04-06T03:02:47Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• 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)
• OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
  正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。 そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。 統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• 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)
• Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI Image-to-Image Translation [7.8333615755210175]
  本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。 我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
  論文  参考訳（メタデータ） (2020-12-03T09:10:22Z)

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。