Fugu-MT 論文翻訳(概要): 3D-StyleGAN: A Style-Based Generative Adversarial Network for Generative Modeling of Three-Dimensional Medical Images

論文の概要: 3D-StyleGAN: A Style-Based Generative Adversarial Network for Generative Modeling of Three-Dimensional Medical Images

arxiv url: http://arxiv.org/abs/2107.09700v1
Date: Tue, 20 Jul 2021 18:08:27 GMT
ステータス: 処理完了
システム内更新日: 2021-07-22 14:18:53.917364
Title: 3D-StyleGAN: A Style-Based Generative Adversarial Network for Generative Modeling of Three-Dimensional Medical Images
Title（参考訳）: 3D-StyleGAN:3次元医用画像の生成モデリングのためのスタイルベースジェネレータネットワーク
Authors: Sungmin Hong, Razvan Marinescu, Adrian V. Dalca, Anna K. Bonkhoff, Martin Bretzner, Natalia S. Rost, Polina Golland
Abstract要約: 3次元医用画像のGAN(Generative Adversarial Networks)による画像合成は、多くの医療応用に拡張可能な大きな可能性を持っている。我々は,2次元画像で動作する最先端のStyleGAN2モデルを拡張して,3次元画像合成を実現する。 12,000個の3次元フル脳MR T1画像で3D-StyleGANの性能と実現可能性を示す。
参考スコア（独自算出の注目度）: 9.569519614211282
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Image synthesis via Generative Adversarial Networks (GANs) of three-dimensional (3D) medical images has great potential that can be extended to many medical applications, such as, image enhancement and disease progression modeling. However, current GAN technologies for 3D medical image synthesis need to be significantly improved to be readily adapted to real-world medical problems. In this paper, we extend the state-of-the-art StyleGAN2 model, which natively works with two-dimensional images, to enable 3D image synthesis. In addition to the image synthesis, we investigate the controllability and interpretability of the 3D-StyleGAN via style vectors inherited form the original StyleGAN2 that are highly suitable for medical applications: (i) the latent space projection and reconstruction of unseen real images, and (ii) style mixing. We demonstrate the 3D-StyleGAN's performance and feasibility with ~12,000 three-dimensional full brain MR T1 images, although it can be applied to any 3D volumetric images. Furthermore, we explore different configurations of hyperparameters to investigate potential improvement of the image synthesis with larger networks. The codes and pre-trained networks are available online: https://github.com/sh4174/3DStyleGAN.
Abstract（参考訳）: 3次元医用画像のGAN(Generative Adversarial Networks)による画像合成は、画像強調や疾患進行モデリングといった多くの医療応用に拡張可能な大きな可能性を持っている。しかし、3次元医用画像合成のための現在のGAN技術は、現実の医療問題に容易に適応できるように、大幅に改善する必要がある。本稿では,2次元画像とネイティブに動作する最先端のスタイルGAN2モデルを拡張し,3次元画像合成を実現する。画像合成に加えて, 医学的応用に適したオリジナルstylegan2を継承したスタイルベクトルによる3dスタイルのganの制御可能性と解釈可能性について検討した。我々は3D-StyleGANの性能と実現性について,約12,000個の3次元フル脳MR T1画像で示す。さらに,ハイパーパラメータの異なる構成を探索し,大規模ネットワークによる画像合成の潜在的な改善について検討する。コードと事前訓練されたネットワークはオンラインで利用可能である。

関連論文リスト

DuoLift-GAN:Reconstructing CT from Single-view and Biplanar X-Rays with Generative Adversarial Networks [1.3812010983144802]
本稿では,DuoLift Generative Adversarial Networks (DuoLift-GAN)を紹介する。これらの3D出力は統合された3D特徴マップにマージされ、完全な3D胸部ボリュームにデコードされ、よりリッチな3D情報キャプチャを可能にする。
論文参考訳（メタデータ） (2024-11-12T17:11:18Z)
Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文参考訳（メタデータ） (2024-03-19T15:57:04Z)
Guide3D: Create 3D Avatars from Text and Image Guidance [55.71306021041785]
Guide3Dは拡散モデルに基づく3Dアバター生成のためのテキスト・画像誘導生成モデルである。我々のフレームワークは、トポロジカルかつ構造的に正しい幾何と高分解能なテクスチャを生成する。
論文参考訳（メタデータ） (2023-08-18T17:55:47Z)
Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D Brain MRI Synthesis [35.45013834475523]
クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
論文参考訳（メタデータ） (2023-07-19T16:01:09Z)
GVP: Generative Volumetric Primitives [76.95231302205235]
本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。 GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
論文参考訳（メタデータ） (2023-03-31T16:50:23Z)
Improving 3D-aware Image Synthesis with A Geometry-aware Discriminator [68.0533826852601]
3Dを意識した画像合成は、画像のリアルな2D画像の描画が可能な生成モデルを学ぶことを目的としている。既存の方法では、適度な3D形状が得られない。本稿では,3次元GANの改良を目的とした幾何学的識別器を提案する。
論文参考訳（メタデータ） (2022-09-30T17:59:37Z)
Inflating 2D Convolution Weights for Efficient Generation of 3D Medical Images [35.849240945334]
3次元医用画像は取得・注釈するのに高価であり,多くのパラメータが3次元畳み込みに関与している。本稿では3D Split&Shuffle-GANと呼ばれる新しいGANモデルを提案する。提案手法は,パラメータが大幅に少ない3次元画像の画質向上につながることを示す。
論文参考訳（メタデータ） (2022-08-08T06:31:00Z)
Improved $\alpha$-GAN architecture for generating 3D connected volumes with an application to radiosurgery treatment planning [0.5156484100374059]
接続された3Dボリュームを生成するための3D$alpha$-GANの改良版を提案する。我々のモデルは高品質な3D腫瘍ボリュームとそれに伴う治療仕様をうまく生成できる。改良された3D$alpha$-GANは、合成医用画像データを生成する貴重な情報源となる。
論文参考訳（メタデータ） (2022-07-13T16:39:47Z)
Efficient Geometry-aware 3D Generative Adversarial Networks [50.68436093869381]
既存の3D GANは計算集約的であるか、3D一貫性のない近似を行う。本研究では、3D GANの計算効率と画質をこれらの近似に頼らずに改善する。本稿では,高解像度のマルチビュー一貫性画像だけでなく,高品質な3次元形状をリアルタイムに合成する,表現型ハイブリッド・明示型ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-12-15T08:01:43Z)
Towards Realistic 3D Embedding via View Alignment [53.89445873577063]
本稿では,3次元モデルを2次元背景画像に現実的に,かつ自動的に埋め込み,新たな画像を構成する,革新的なビューアライメントGAN(VA-GAN)を提案する。 VA-GANはテクスチャジェネレータとディファレンシャルディスクリミネーターで構成され、相互接続され、エンドツーエンドのトレーニングが可能である。
論文参考訳（メタデータ） (2020-07-14T14:45:00Z)

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。