論文の概要: Learning Multi-Site Harmonization of Magnetic Resonance Images Without Traveling Human Phantoms

• arxiv url: http://arxiv.org/abs/2110.00041v1
• Date: Thu, 30 Sep 2021 18:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 05:15:12.914246
• Title: Learning Multi-Site Harmonization of Magnetic Resonance Images Without Traveling Human Phantoms
• Title（参考訳）: 人間ファントムを通さない磁気共鳴画像のマルチサイト調和学習
• Authors: Siyuan Liu and Pew-Thian Yap
• Abstract要約: ハーモニゼーションはデータの一貫性を改善し、複数のサイトにわたって取得された多様な画像データの効果的な統合の中心である。 近年のハーモニゼーションのための深層学習技術は,主に自然界で指導されている。 人間の幻のデータに頼らないディープニューラルネットワークによって、ハーモニゼーションがいかに達成できるかを示す。
• 参考スコア（独自算出の注目度）: 27.117241727605396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Harmonization improves data consistency and is central to effective integration of diverse imaging data acquired across multiple sites. Recent deep learning techniques for harmonization are predominantly supervised in nature and hence require imaging data of the same human subjects to be acquired at multiple sites. Data collection as such requires the human subjects to travel across sites and is hence challenging, costly, and impractical, more so when sufficient sample size is needed for reliable network training. Here we show how harmonization can be achieved with a deep neural network that does not rely on traveling human phantom data. Our method disentangles site-specific appearance information and site-invariant anatomical information from images acquired at multiple sites and then employs the disentangled information to generate the image of each subject for any target site. We demonstrate with more than 6,000 multi-site T1- and T2-weighted images that our method is remarkably effective in generating images with realistic site-specific appearances without altering anatomical details. Our method allows retrospective harmonization of data in a wide range of existing modern large-scale imaging studies, conducted via different scanners and protocols, without additional data collection.
• Abstract（参考訳）: 調和化はデータの一貫性を改善し、複数のサイトにわたって取得された多様な画像データの効果的な統合の中心である。 近年の調和のための深層学習技術は自然界で主に管理されており、複数の場所で同じ被験者の画像データを取得する必要がある。 そのため、信頼できるネットワークトレーニングに十分なサンプルサイズが必要な場合、データ収集は、人体がサイトを横断する必要があり、したがって困難でコストがかかり、実用的ではない。 ここでは,人間のファントムデータに依存しない深層ニューラルネットワークを用いて,調和を実現する方法を示す。 本手法は,複数の場所で取得した画像からサイト固有の外観情報とサイト不変の解剖情報をアンタングルし,そのアンタングル情報を用いて対象部位毎の画像を生成する。 6000以上の多地点t1強調画像とt2強調画像を用いて,本手法が解剖学的詳細を変化させることなく,リアルなサイト特有の外観を持つ画像の生成に極めて有効であることを示す。 提案手法は,様々なスキャナーやプロトコルを介し,データ収集を行なわずに,既存の大規模イメージング研究の幅広い領域において,データの再帰的調和を可能にする。

関連論文リスト

• UnitedHuman: Harnessing Multi-Source Data for High-Resolution Human Generation [59.77275587857252]
  総合的な人間のデータセットは、必然的に、局所的な部分についての不十分で低解像度な情報を持っている。 本稿では,高解像度な人為的生成モデルを共同で学習するために,様々な解像度画像を用いたマルチソースデータセットを提案する。
  論文  参考訳（メタデータ） (2023-09-25T17:58:46Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Image Synthesis for Data Augmentation in Medical CT using Deep Reinforcement Learning [31.677682150726383]
  本手法は, 新規かつ解剖学的に高精度な高解像度CT画像の大量かつ多種多様な生成に有効であることを示す。 私たちのアプローチは、多くの研究者が利用可能な画像データの少ない量を考えると望ましい小さな画像データセットでも機能するように特別に設計されています。
  論文  参考訳（メタデータ） (2021-03-18T19:47:11Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
  多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。 我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
  論文  参考訳（メタデータ） (2020-10-11T22:01:37Z)
• Federated Learning for Computational Pathology on Gigapixel Whole Slide Images [4.035591045544291]
  計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。 スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-09-21T21:56:08Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。