論文の概要: Image Augmentation Using a Task Guided Generative Adversarial Network
for Age Estimation on Brain MRI
- arxiv url: http://arxiv.org/abs/2108.01659v1
- Date: Tue, 3 Aug 2021 17:56:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:52:31.186617
- Title: Image Augmentation Using a Task Guided Generative Adversarial Network
for Age Estimation on Brain MRI
- Title(参考訳): 脳MRIの年齢推定のためのタスクガイド付きジェネレータネットワークを用いた画像強調
- Authors: Ruizhe Li, Matteo Bastiani, Dorothee Auer, Christian Wagner, and Xin
Chen
- Abstract要約: 本稿では,データ不足を克服するGANに基づく画像合成手法を提案する。
従来のGAN損失にタスク誘導損失を加えることで、学習された低次元潜在空間と合成画像はよりタスク固有となる。
提案手法は,深い畳み込みニューラルネットワークに基づく回帰モデルと,タスク誘導分岐を伴わないGANに基づく画像合成法より優れている(統計的に有意)。
- 参考スコア(独自算出の注目度): 6.051767128521292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain age estimation based on magnetic resonance imaging (MRI) is an active
research area in early diagnosis of some neurodegenerative diseases (e.g.
Alzheimer, Parkinson, Huntington, etc.) for elderly people or brain
underdevelopment for the young group. Deep learning methods have achieved the
state-of-the-art performance in many medical image analysis tasks, including
brain age estimation. However, the performance and generalisability of the deep
learning model are highly dependent on the quantity and quality of the training
data set. Both collecting and annotating brain MRI data are extremely
time-consuming. In this paper, to overcome the data scarcity problem, we
propose a generative adversarial network (GAN) based image synthesis method.
Different from the existing GAN-based methods, we integrate a task-guided
branch (a regression model for age estimation) to the end of the generator in
GAN. By adding a task-guided loss to the conventional GAN loss, the learned
low-dimensional latent space and the synthesised images are more task-specific.
It helps to boost the performance of the down-stream task by combining the
synthesised images and real images for model training. The proposed method was
evaluated on a public brain MRI data set for age estimation. Our proposed
method outperformed (statistically significant) a deep convolutional neural
network based regression model and the GAN-based image synthesis method without
the task-guided branch. More importantly, it enables the identification of
age-related brain regions in the image space. The code is available on GitHub
(https://github.com/ruizhe-l/tgb-gan).
- Abstract(参考訳): MRI(MRI)に基づく脳年齢推定は、神経変性疾患の早期診断において活発な研究領域である。
アルツハイマー、パーキンソン、ハンティントンなど)
若いグループのために 高齢者や脳の未発達者のためにです
深層学習法は、脳年齢推定を含む多くの医療画像解析タスクにおいて最先端のパフォーマンスを達成した。
しかし、ディープラーニングモデルの性能と一般性は、トレーニングデータセットの量と品質に大きく依存している。
脳MRIデータの収集と注釈付けはどちらも非常に時間がかかる。
本稿では,データ不足問題を解決するため,gan(generative adversarial network)に基づく画像合成手法を提案する。
既存のganベースの手法とは異なり、ganのジェネレータの終端にタスク誘導分岐(年齢推定のための回帰モデル)を統合する。
従来のGAN損失にタスク誘導損失を加えることで、学習された低次元の潜在空間と合成画像はよりタスク固有となる。
合成画像と実画像を組み合わせてモデルトレーニングを行うことで、ダウンストリームタスクのパフォーマンス向上を支援する。
提案手法は, 年齢推定のためのパブリック脳MRIデータセットを用いて評価した。
提案手法は, 深層畳み込みニューラルネットワークに基づく回帰モデルと, タスク誘導分岐を伴わないgan画像合成法を上回った(統計的に有意な)。
さらに重要なのは、画像空間内の年齢関連脳領域の識別を可能にすることだ。
コードはgithubで入手できる(https://github.com/ruizhe-l/tgb-gan)。
関連論文リスト
- Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
本稿では,脳病変分割モデルのトレーニングのための,新しい現実的なサンプルを効率よく生成するフレームワークを提案する。
まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。
次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
論文 参考訳(メタデータ) (2024-06-21T01:53:12Z) - MindFormer: A Transformer Architecture for Multi-Subject Brain Decoding via fMRI [50.55024115943266]
我々は、fMRI条件の特徴ベクトルを生成するためにMindFormerと呼ばれる新しいトランスフォーマーアーキテクチャを導入する。
MindFormerは,1)fMRI信号から意味論的に意味のある特徴を抽出するIP-Adapterに基づく新しいトレーニング戦略,2)fMRI信号の個人差を効果的に捉える主観的トークンと線形層である。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model [0.0]
本研究では,高忠実かつ現実的なMRI画像スライス作成にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いることを検討した。
判別器ネットワークは、生成されたスライスと実際のスライスを区別するが、ジェネレータネットワークは、現実的なMRI画像スライスを合成することを学ぶ。
ジェネレータは、敵のトレーニングアプローチを通じて、実際のMRIデータを忠実に模倣するスライスを生成する能力を向上させる。
論文 参考訳(メタデータ) (2024-04-11T05:06:51Z) - SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。
人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。
以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
論文 参考訳(メタデータ) (2024-02-22T20:47:40Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Automatic Classification of Alzheimer's Disease using brain MRI data and
deep Convolutional Neural Networks [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、世界の公衆衛生問題の一つ。
本稿では,脳MRI画像とセグメント画像を用いたディープラーニングアーキテクチャの構築について検討する。
論文 参考訳(メタデータ) (2022-03-31T20:15:51Z) - Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。
完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。
もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文 参考訳(メタデータ) (2022-02-14T19:29:08Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z) - Attend and Decode: 4D fMRI Task State Decoding Using Attention Models [2.6954666679827137]
我々は、Brain Attend and Decode (BAnD)と呼ばれる新しいアーキテクチャを提案する。
BAnDは残留畳み込みニューラルネットワークを用いて空間的特徴抽出と時間的モデリングを行う。
我々は,Human Connectome Project-Young Adult データセットの 7-task ベンチマークによる以前の研究と比較して,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2020-04-10T21:29:34Z)
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。