論文の概要: Towards disease-aware image editing of chest X-rays

• arxiv url: http://arxiv.org/abs/2109.01071v1
• Date: Thu, 2 Sep 2021 16:38:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 16:25:38.939271
• Title: Towards disease-aware image editing of chest X-rays
• Title（参考訳）: 胸部x線疾患対応画像編集に向けて
• Authors: Sai Niranjan Ramachandran, Aakash Saboo, Kai Dierkes, Hacer Yalim Keles
• Abstract要約: StyleGANは、現実的な胸部X線を生成するために訓練することができる。 サイクルリバースジェネレータ(CRG)フレームワークにインスパイアされた私たちは、合成X線上でジェネレータを忠実に反転させるエンコーダを訓練する。 健常者における心肥大(心拍数増加)の実態を実際のX線画像と比較した。
• 参考スコア（独自算出の注目度）: 0.6299766708197883
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Disease-aware image editing by means of generative adversarial networks (GANs) constitutes a promising avenue for advancing the use of AI in the healthcare sector. Here, we present a proof of concept of this idea. While GAN-based techniques have been successful in generating and manipulating natural images, their application to the medical domain, however, is still in its infancy. Working with the CheXpert data set, we show that StyleGAN can be trained to generate realistic chest X-rays. Inspired by the Cyclic Reverse Generator (CRG) framework, we train an encoder that allows for faithfully inverting the generator on synthetic X-rays and provides organ-level reconstructions of real ones. Employing a guided manipulation of latent codes, we confer the medical condition of cardiomegaly (increased heart size) onto real X-rays from healthy patients. This work was presented in the Medical Imaging meets Neurips Workshop 2020, which was held as part of the 34th Conference on Neural Information Processing Systems (NeurIPS 2020) in Vancouver, Canada
• Abstract（参考訳）: GAN(Generative Adversarial Network)による疾患対応画像編集は、医療分野におけるAIの利用を促進するための有望な道となっている。 ここでは、この概念の実証について述べる。 GANベースの技術は自然画像の生成と操作に成功しているが、医療分野への応用はまだ初期段階にある。 CheXpertデータセットを用いて、StyleGANは現実的な胸部X線を生成することができることを示す。 サイクリックリバースジェネレータ(CRG)フレームワークにインスパイアされた私たちは,合成X線で生成体を忠実に反転させるエンコーダを訓練し,実物の臓器レベルの再構築を行う。 潜在コードの誘導的な操作を用いて、健康な患者からの実際のx線に心電図(心臓サイズの増加)の医療状態を推定する。 この研究は、カナダのバンクーバーで開催された34th Conference on Neural Information Processing Systems (NeurIPS 2020)の一部として開催された、メディカルイメージングミート・ニューリプス・ワークショップ2020で発表された。

関連論文リスト

• MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative Adversarial Networks [48.686454485328895]
  本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。 このアプローチは、人間の目には知覚できない微調整された摂動を導入することで、攻撃者のCT-GANアーキテクチャの出力を妨害する。 CTスキャンによる実験結果から,MITS-GANの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-01-17T22:30:41Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• Multi-Label Chest X-Ray Classification via Deep Learning [0.0]
  本研究の目的は,X線画像から14種類の胸部状態を検出する軽量なソリューションを開発することである。 画像機能に加えて、X線ビュータイプ、年齢、性別などのデータで利用可能な非画像機能も使用します。 本研究の目的は, これまでの研究を改良し, 予測を14疾患に拡張し, 将来の胸部X線撮影研究への洞察を提供することである。
  論文  参考訳（メタデータ） (2022-11-27T20:27:55Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Pathology-Aware Generative Adversarial Networks for Medical Image Augmentation [0.22843885788439805]
  GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。 この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
  論文  参考訳（メタデータ） (2021-06-03T15:08:14Z)
• GANs for Medical Image Synthesis: An Empirical Study [12.36854197042851]
  GAN(Generative Adversarial Networks)はますます強力になり、心躍るフォトリアリズム画像を生み出しています。 本稿では,医療画像におけるGANのメリットを評価するために,マルチGANおよびマルチアプリケーション研究を行う。
  論文  参考訳（メタデータ） (2021-05-11T19:21:39Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Jekyll: Attacking Medical Image Diagnostics using Deep Generative Models [8.853343040790795]
  Jekyllは、患者のバイオメディカルイメージを入力として取得し、攻撃者選択病状態を示す新しい画像に変換する神経型転送フレームワークです。 これらの攻撃は、医療専門家とアルゴリズム検出スキームの両方を誤解させる結果となった。 また,jekyllが生成する画像を検出するための機械学習に基づく防御対策についても検討した。
  論文  参考訳（メタデータ） (2021-04-05T18:23:36Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• Medical Image Generation using Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
  論文  参考訳（メタデータ） (2020-05-19T20:31:57Z)
• Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
  新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。 X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。 最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
  論文  参考訳（メタデータ） (2020-04-06T15:21:34Z)

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。