論文の概要: ImUnity: a generalizable VAE-GAN solution for multicenter MR image harmonization

• arxiv url: http://arxiv.org/abs/2109.06756v1
• Date: Tue, 14 Sep 2021 15:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:44:32.282430
• Title: ImUnity: a generalizable VAE-GAN solution for multicenter MR image harmonization
• Title（参考訳）: ImUnity:マルチセンターMR画像調和のための一般化可能なVAE-GANソリューション
• Authors: Stenzel Cackowski, Emmanuel L. Barbier, Michel Dojat, Thomas Christen
• Abstract要約: ImUnityは、効率よく柔軟なMR画像調和のために設計された、オリジナルのディープラーニングモデルである。 VAE-GANネットワークは、混乱モジュールとオプションの生物学的保存モジュールとを結合し、トレーニングデータベースの各対象の異なる解剖学的位置から採取された複数の2Dスライスを使用する。 最終的に、様々なマルチセンター集団研究に使用できる「補正された」MR画像を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ImUnity is an original deep-learning model designed for efficient and flexible MR image harmonization. A VAE-GAN network, coupled with a confusion module and an optional biological preservation module, uses multiple 2D-slices taken from different anatomical locations in each subject of the training database, as well as image contrast transformations for its self-supervised training. It eventually generates 'corrected' MR images that can be used for various multi-center population studies. Using 3 open source databases (ABIDE, OASIS and SRPBS), which contain MR images from multiple acquisition scanner types or vendors and a large range of subjects ages, we show that ImUnity: (1) outperforms state-of-the-art methods in terms of quality of images generated using traveling subjects; (2) removes sites or scanner biases while improving patients classification; (3) harmonizes data coming from new sites or scanners without the need for an additional fine-tuning and (4) allows the selection of multiple MR reconstructed images according to the desired applications. Tested here on T1-weighted images, ImUnity could be used to harmonize other types of medical images.
• Abstract（参考訳）: ImUnityは、効率よく柔軟なMR画像調和のために設計された、オリジナルのディープラーニングモデルである。 vae-ganネットワークは、混乱モジュールと任意の生物学的保存モジュールとを結合し、トレーニングデータベースの各主題の異なる解剖学的位置から取られた複数の2dスライスと、自己教師付きトレーニングのための画像コントラスト変換を使用する。 最終的に、様々なマルチセンター集団研究に使用できる「補正された」MR画像を生成する。 Using 3 open source databases (ABIDE, OASIS and SRPBS), which contain MR images from multiple acquisition scanner types or vendors and a large range of subjects ages, we show that ImUnity: (1) outperforms state-of-the-art methods in terms of quality of images generated using traveling subjects; (2) removes sites or scanner biases while improving patients classification; (3) harmonizes data coming from new sites or scanners without the need for an additional fine-tuning and (4) allows the selection of multiple MR reconstructed images according to the desired applications. T1強調画像でテストされたImUnityは、他の種類の医療画像の調和に使える。

関連論文リスト

• IGUANe: a 3D generalizable CycleGAN for multicenter harmonization of brain MR images [0.0]
  画像翻訳のための深層学習手法が, MR画像との調和のためのソリューションとして登場した。 本研究では,ドメイン翻訳の強みを生かしたオリジナル3DモデルIGUANeを紹介する。 ドメインペアに基づくフレームワークは、サイト関連と生物学的変動の混同を防止するサンプリング戦略の実装を可能にする。
  論文  参考訳（メタデータ） (2024-02-05T17:38:49Z)
• Partition-A-Medical-Image: Extracting Multiple Representative Sub-regions for Few-shot Medical Image Segmentation [23.926487942901872]
  Few-shot Medical Image (FSMIS)は、医療画像セグメンテーションタスクのための、より有望なソリューションである。 支援医療画像から複数のサブリージョンを抽出する手法を提案する。 次に,2方向除去機構に基づく新しいPRD(Prototypeal Representation Debiasing)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-20T09:31:57Z)
• 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)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
  IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。 我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
  論文  参考訳（メタデータ） (2021-04-13T02:00:24Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
  医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。 MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。 しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
  論文  参考訳（メタデータ） (2020-07-14T23:22:04Z)
• Multi-Domain Image Completion for Random Missing Input Data [17.53581223279953]
  マルチドメインデータは、異なるモダリティからの相補的な情報を利用する視覚アプリケーションで広く活用されている。 データ破損と異なるイメージングプロトコルにより、各領域のイメージの可用性は複数のデータソースによって異なる可能性がある。 実アプリケーションでランダムに欠落したドメイン(s)データを補完する一般的な手法を提案する。
  論文  参考訳（メタデータ） (2020-07-10T16:38:48Z)

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。