Fugu-MT 論文翻訳(概要): Variable Augmented Network for Invertible Modality Synthesis-Fusion

論文の概要: Variable Augmented Network for Invertible Modality Synthesis-Fusion

arxiv url: http://arxiv.org/abs/2109.00670v1
Date: Thu, 2 Sep 2021 02:16:09 GMT
ステータス: 処理完了
システム内更新日: 2021-09-03 14:04:37.080124
Title: Variable Augmented Network for Invertible Modality Synthesis-Fusion
Title（参考訳）: 可逆モダリティ合成融合のための可変拡張ネットワーク
Authors: Yuhao Wang, Ruirui Liu, Zihao Li, Cailian Yang, Qiegen Liu
Abstract要約: 本稿では,医療画像の合成と融合のために,iVAN(invertible and variable augmented network)を提案する。実験により,提案手法は医用画像の代表的な合成法や融合法と比較して,競争力や優れた性能が得られることが示された。
参考スコア（独自算出の注目度）: 12.375760453114983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As an effective way to integrate the information contained in multiple medical images under different modalities, medical image synthesis and fusion have emerged in various clinical applications such as disease diagnosis and treatment planning. In this paper, an invertible and variable augmented network (iVAN) is proposed for medical image synthesis and fusion. In iVAN, the channel number of the network input and output is the same through variable augmentation technology, and data relevance is enhanced, which is conducive to the generation of characterization information. Meanwhile, the invertible network is used to achieve the bidirectional inference processes. Due to the invertible and variable augmentation schemes, iVAN can not only be applied to the mappings of multi-input to one-output and multi-input to multi-output, but also be applied to one-input to multi-output. Experimental results demonstrated that the proposed method can obtain competitive or superior performance in comparison to representative medical image synthesis and fusion methods.
Abstract（参考訳）: 複数の医用画像に含まれる情報を異なるモダリティで統合する有効な方法として、疾患診断や治療計画などの様々な臨床応用に医療用画像合成と融合が出現している。本稿では,医療画像の合成と融合のために,iVAN(invertible and variable augmented network)を提案する。 iVANでは、ネットワーク入力と出力のチャネル番号は可変拡張技術により同一であり、データ関連性が向上し、キャラクタリゼーション情報の生成に寄与する。一方、可逆ネットワークは双方向推論プロセスを達成するために使用される。可逆および可変拡張スキームのため、ivanはマルチインプットからワンアウトプット、マルチインプットからマルチアウトプットへのマッピングに適用できるだけでなく、ワンインプットからマルチアウトプットへのマッピングにも適用できる。実験により,提案手法は医用画像合成法や融合法と比較して,競争力や優れた性能が得られることが示された。

関連論文リスト

SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
Disentangled Multimodal Brain MR Image Translation via Transformer-based Modality Infuser [12.402947207350394]
マルチモーダル脳MR画像の合成を目的としたトランスフォーマーを用いたモダリティインジェクタを提案する。本手法では,エンコーダからモダリティに依存しない特徴を抽出し,その特徴をモダリティ固有の特徴に変換する。われわれはBraTS 2018データセットで4つのMRモードを変換する実験を行った。
論文参考訳（メタデータ） (2024-02-01T06:34:35Z)
Hybrid-Fusion Transformer for Multisequence MRI [2.082367820170703]
マルチシーケンスMRI画像分割のためのハイブリッド核融合変換器(HFTrans)を提案する。マルチモーダルMRIシークエンスの違いを生かし、トランスフォーマー層を用いて各モーダルから抽出した特徴を統合する。 3次元医用セグメンテーションにおけるハイブリッドフュージョン法の有効性を検証した。
論文参考訳（メタデータ） (2023-11-02T15:22:49Z)
Generalizing Medical Image Representations via Quaternion Wavelet Networks [9.836302410524842]
医用画像から健全な特徴を抽出できる,新しい,一般化可能な,データに依存しないフレームワークを提案する。提案する4元ウェーブレットネットワーク(quaVE)は,既存の医用画像解析や合成作業と容易に統合できる。
論文参考訳（メタデータ） (2023-10-16T09:34:06Z)
Unified Multi-Modal Image Synthesis for Missing Modality Imputation [23.681228202899984]
そこで本研究では,モダリティの欠如を抑えるために,新しいマルチモーダル画像合成法を提案する。提案手法は, 各種合成タスクの処理に有効であり, 従来の手法と比較して優れた性能を示す。
論文参考訳（メタデータ） (2023-04-11T16:59:15Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)
TFormer: A throughout fusion transformer for multi-modal skin lesion diagnosis [6.899641625551976]
我々は,MSLDで十分な情報干渉を行うために,純粋なトランスフォーマーベースのTFormer(スルーアウト・フュージョン・トランスフォーマー)を提案する。そこで我々は,2分岐階層型マルチモーダルトランス (HMT) ブロックのスタックを慎重に設計し,ステージバイステージ方式で異なる画像モダリティ間で情報を融合する。我々のTFormerは、他の最先端メソッドよりも優れています。
論文参考訳（メタデータ） (2022-11-21T12:07:05Z)
Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文参考訳（メタデータ） (2021-02-21T18:35:14Z)
Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文参考訳（メタデータ） (2020-06-24T18:00:01Z)
Hi-Net: Hybrid-fusion Network for Multi-modal MR Image Synthesis [143.55901940771568]
マルチモーダルMR画像合成のためのHybrid-fusion Network(Hi-Net)を提案する。当社のHi-Netでは,各モーダリティの表現を学習するために,モーダリティ特化ネットワークを用いている。マルチモーダル合成ネットワークは、潜在表現と各モーダルの階層的特徴を密結合するように設計されている。
論文参考訳（メタデータ） (2020-02-11T08:26:42Z)

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。