論文の概要: Joint Semi-supervised 3D Super-Resolution and Segmentation with Mixed
Adversarial Gaussian Domain Adaptation
- arxiv url: http://arxiv.org/abs/2107.07975v1
- Date: Fri, 16 Jul 2021 15:42:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 16:59:38.434922
- Title: Joint Semi-supervised 3D Super-Resolution and Segmentation with Mixed
Adversarial Gaussian Domain Adaptation
- Title（参考訳）: 混合ガウス領域適応による半教師あり3次元超解像分割法
- Authors: Nicolo Savioli, Antonio de Marvao, Wenjia Bai, Shuo Wang, Stuart A.
Cook, Calvin W.L. Chin, Daniel Rueckert, Declan P. O'Regan
- Abstract要約: 医用画像の高解像度化は、画像の解像度を向上させることを目的としているが、従来は低解像度データセットの特徴に基づいて訓練されている。
本稿では,画像とそのラベルの同時超解像を行う半教師付きマルチタスク生成対向ネットワーク(Gemini-GAN)を提案する。
提案手法は, 成人1,331人, 成人205人のトランスナショナル多民族集団に対して広く評価された。
- 参考スコア（独自算出の注目度）: 13.477290490742224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimising the analysis of cardiac structure and function requires accurate
3D representations of shape and motion. However, techniques such as cardiac
magnetic resonance imaging are conventionally limited to acquiring contiguous
cross-sectional slices with low through-plane resolution and potential
inter-slice spatial misalignment. Super-resolution in medical imaging aims to
increase the resolution of images but is conventionally trained on features
from low resolution datasets and does not super-resolve corresponding
segmentations. Here we propose a semi-supervised multi-task generative
adversarial network (Gemini-GAN) that performs joint super-resolution of the
images and their labels using a ground truth of high resolution 3D cines and
segmentations, while an unsupervised variational adversarial mixture
autoencoder (V-AMA) is used for continuous domain adaptation. Our proposed
approach is extensively evaluated on two transnational multi-ethnic populations
of 1,331 and 205 adults respectively, delivering an improvement on state of the
art methods in terms of Dice index, peak signal to noise ratio, and structural
similarity index measure. This framework also exceeds the performance of state
of the art generative domain adaptation models on external validation (Dice
index 0.81 vs 0.74 for the left ventricle). This demonstrates how joint
super-resolution and segmentation, trained on 3D ground-truth data with
cross-domain generalization, enables robust precision phenotyping in diverse
populations.
- Abstract（参考訳）: 心臓構造と機能の解析を最適化するには、正確な形状と運動の3D表現が必要である。
しかし、心臓磁気共鳴イメージングなどの技術は、従来、平面解像度の低い連続断面積スライスと、スライス間空間不整合の可能性に限られていた。
医療画像の超解像は、画像の解像度を上げることを目的としているが、従来は低解像度データセットの特徴に基づいて訓練されており、対応するセグメンテーションを超解像しない。
本稿では,高分解能3次元シネマとセグメンテーションの基底的真理を用いて画像とラベルの同時超解像を行う半教師付きマルチタスク生成逆ネットワーク (gemini-gan) を提案し,非教師なし変分逆混合オートエンコーダ (v-ama) を連続ドメイン適応に使用する。
提案手法は,1,331人と205人の2つの多民族間集団において広く評価され,ダイス指数,ピーク信号と雑音比,構造類似度指標を用いて,技術手法の状態を改善した。
このフレームワークはまた、外部検証(左室のdice index 0.81対 0.74)におけるアートジェネレーティブドメイン適応モデルの性能を上回っている。
このことは、クロスドメインの一般化による3次元地下構造データに基づいて訓練された関節の超解像とセグメンテーションが、多様な個体群における堅牢な高精度表現を可能にすることを示す。
関連論文リスト
- Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing [14.0825980706386]
ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。
本研究では,3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。
提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームミキサを導入する。
論文 参考訳（メタデータ） (2024-10-20T11:08:38Z) - CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。
そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
論文 参考訳（メタデータ） (2024-04-07T08:48:01Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Single-subject Multi-contrast MRI Super-resolution via Implicit Neural
Representations [9.683341998041634]
Inlicit Neural Representations (INR) は連続空間関数における相補的視点の2つの異なるコントラストを学習することを提案した。
我々のモデルは、3つのデータセットを用いた実験において、異なるコントラストのペア間で現実的な超解像を提供する。
論文 参考訳（メタデータ） (2023-03-27T10:18:42Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Joint Motion Correction and Super Resolution for Cardiac Segmentation
via Latent Optimisation [18.887520377396925]
心臓画像分割のための動作補正と超解像を共同で行う新しい潜在最適化フレームワークを提案する。
2つの心MRデータセットの実験により、提案手法は最先端の超解像法に匹敵する高い性能を達成することが示された。
論文 参考訳（メタデータ） (2021-07-08T15:14:00Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z) - HRINet: Alternative Supervision Network for High-resolution CT image
Interpolation [3.7966959476339035]
我々は,高分解能CT画像の生成を目的とした,新しいネットワークであるHigh Resolution Interpolation Network (HRINet)を提案する。
本稿では,ACAI と GAN のアイデアを組み合わせて,教師なしと教師なしのトレーニングを適用して,代替監督手法の新たなアイデアを提案する。
実験の結果,2562,5122画像の定量的,定性的に大きな改善が見られた。
論文 参考訳（メタデータ） (2020-02-11T15:09:42Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。