論文の概要: CT Image Harmonization for Enhancing Radiomics Studies
- arxiv url: http://arxiv.org/abs/2107.01337v1
- Date: Sat, 3 Jul 2021 04:03:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 10:44:22.005458
- Title: CT Image Harmonization for Enhancing Radiomics Studies
- Title(参考訳): ct画像ハーモニゼーションによる放射線研究の促進
- Authors: Md Selim, Jie Zhang, Baowei Fei, Guo-Qiang Zhang, Jin Chen
- Abstract要約: RadiomicGANは、非標準再構成カーネルの使用による誤差を軽減するために開発された。
Dynamic Window-based Trainingと呼ばれる新しいトレーニング手法が開発され、トレーニング済みのモデルを医療画像領域に変換する。
1401の放射能特性を用いて評価したモデル性能は、RadiomicGANが最先端の画像標準化モデルよりも明らかに優れていることを示している。
- 参考スコア(独自算出の注目度): 10.643230630935781
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: While remarkable advances have been made in Computed Tomography (CT),
capturing CT images with non-standardized protocols causes low reproducibility
regarding radiomic features, forming a barrier on CT image analysis in a large
scale. RadiomicGAN is developed to effectively mitigate the discrepancy caused
by using non-standard reconstruction kernels. RadiomicGAN consists of hybrid
neural blocks including both pre-trained and trainable layers adopted to learn
radiomic feature distributions efficiently. A novel training approach, called
Dynamic Window-based Training, has been developed to smoothly transform the
pre-trained model to the medical imaging domain. Model performance evaluated
using 1401 radiomic features show that RadiomicGAN clearly outperforms the
state-of-art image standardization models.
- Abstract(参考訳): CT(Computed Tomography)では顕著な進歩があるが,非標準化プロトコルによるCT画像の撮影は放射線学的特徴の再現性が低く,大規模にCT画像解析の障壁を形成している。
RadiomicGANは、非標準再構成カーネルによる誤差を効果的に軽減するために開発された。
radiomicganは、事前訓練された層と訓練可能な層の両方を含むハイブリッドニューラルブロックで構成され、放射能の特徴分布を効率的に学習する。
Dynamic Window-based Trainingと呼ばれる新しいトレーニング手法が開発され、トレーニング済みのモデルを医療画像領域にスムーズに変換する。
1401の放射能特性を用いて評価したモデル性能は、RadiomicGANが最先端の画像標準化モデルよりも明らかに優れていることを示している。
関連論文リスト
- Solving Low-Dose CT Reconstruction via GAN with Local Coherence [2.325977856241404]
本稿では,局所コヒーレンスを向上したGANを用いた新しい手法を提案する。
提案手法は, 近接画像の局所的コヒーレンスを光学的流れにより捕捉し, 構築した画像の精度と安定性を著しく向上させる。
論文 参考訳(メタデータ) (2023-09-24T08:55:42Z) - Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。
これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。
これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。
我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文 参考訳(メタデータ) (2023-07-02T11:09:08Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳(メタデータ) (2022-12-26T13:56:12Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳(メタデータ) (2022-07-10T06:32:56Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A
Simulation Study [4.7849095200575045]
放射能の特徴は、低線量ct(low dose computed tomography)スキャンのようなノイズ画像から計算される。
本稿では, ノイズCTで算出した放射能特性の改善の可能性について, 生成モデルを用いて検討する。
その結果, エンコーダデコーダネットワーク (edn) と条件付き生成型adversarial network (cgans) を用いたノイズctで算出した放射能特性を改善することができた。
論文 参考訳(メタデータ) (2021-04-30T15:18:57Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - STAN-CT: Standardizing CT Image using Generative Adversarial Network [10.660781755744312]
我々は,CT画像の標準化と標準化のためにSTAN-CTと呼ばれるエンドツーエンドのソリューションを提案する。
STAN-CTは, 数ラウンドのジェネレータトレーニングで標準画像プロトコルのデータ分散を効果的に学習できる新しいGANモデルと, 体系的な画像品質制御を備えたDICOM再構築パイプラインの2つのコンポーネントから構成される。
論文 参考訳(メタデータ) (2020-04-02T23:43:06Z) - Bone Suppression on Chest Radiographs With Adversarial Learning [21.331378067323573]
デュアルエネルギー(DE)胸部X線撮影は、2つの臨床的関連物質を選択的に撮像する機能を提供する。
従来のX線写真と骨抑制X線写真とのマッピングを学習する。
本研究は, 患者に配慮したペアとペアの無いX線写真との訓練効果を比較した。
論文 参考訳(メタデータ) (2020-02-08T02:53:16Z)
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。