論文の概要: 3-D PET Image Generation with tumour masks using TGAN

• arxiv url: http://arxiv.org/abs/2111.01866v1
• Date: Tue, 2 Nov 2021 19:53:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:13:28.722943
• Title: 3-D PET Image Generation with tumour masks using TGAN
• Title（参考訳）: TGANを用いた腫瘍マスクを用いた3次元PET画像生成
• Authors: Robert V Bergen, Jean-Francois Rajotte, Fereshteh Yousefirizi, Ivan S Klyuzhin, Arman Rahmim, Raymond T. Ng
• Abstract要約: 我々は,時間的GAN(TGAN)アーキテクチャを用いて,現実的な頭頸部PET画像を生成することができることを示す。 合成画像の有用性をテストするために,合成画像を用いたセグメンテーションモデルを訓練する。 その後、各データセットの区切られた腫瘍体積に対して様々な放射能特性が計算される。
• 参考スコア（独自算出の注目度）: 3.60592937283653
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Training computer-vision related algorithms on medical images for disease diagnosis or image segmentation is difficult due to the lack of training data, labeled samples, and privacy concerns. For this reason, a robust generative method to create synthetic data is highly sought after. However, most three-dimensional image generators require additional image input or are extremely memory intensive. To address these issues we propose adapting video generation techniques for 3-D image generation. Using the temporal GAN (TGAN) architecture, we show we are able to generate realistic head and neck PET images. We also show that by conditioning the generator on tumour masks, we are able to control the geometry and location of the tumour in the generated images. To test the utility of the synthetic images, we train a segmentation model using the synthetic images. Synthetic images conditioned on real tumour masks are automatically segmented, and the corresponding real images are also segmented. We evaluate the segmentations using the Dice score and find the segmentation algorithm performs similarly on both datasets (0.65 synthetic data, 0.70 real data). Various radionomic features are then calculated over the segmented tumour volumes for each data set. A comparison of the real and synthetic feature distributions show that seven of eight feature distributions had statistically insignificant differences (p>0.05). Correlation coefficients were also calculated between all radionomic features and it is shown that all of the strong statistical correlations in the real data set are preserved in the synthetic data set.
• Abstract（参考訳）: 疾患診断や画像分割のための医用画像に対するコンピュータビジョン関連アルゴリズムの訓練は、トレーニングデータ、ラベル付きサンプル、プライバシー上の懸念のために困難である。 このため, 合成データを生成するための頑健な生成手法が求められている。 しかし、ほとんどの3次元画像生成装置は追加のイメージ入力を必要とするか、非常にメモリ集約的である。 この問題に対処するため,我々は3次元画像生成に適応した映像生成手法を提案する。 時間的GAN(TGAN)アーキテクチャを用いて,頭部と頸部のPET画像を生成することができることを示す。 また, 腫瘍マスクにジェネレータを固定することにより, 発生画像中の腫瘍の形状や位置を制御できることも示している。 合成画像の有用性をテストするために,合成画像を用いたセグメンテーションモデルを訓練する。 実際の腫瘍マスクに条件付き合成画像を自動的に分割し、対応する実画像も分割する。 diceスコアを用いてセグメンテーションを評価し、セグメンテーションアルゴリズムが両方のデータセット(0.65合成データ、0.70実データ)で同じように動作するのを見つける。 その後、各データセットの区切られた腫瘍体積に対して様々な放射能特性が計算される。 実特徴分布と合成特徴分布を比較すると、8つの特徴分布のうち7つは統計的に有意差(p>0.05。 また,すべての放射能特性の相関係数を算出し,実データ集合における強い統計的相関関係が合成データセットに保存されていることを示した。

関連論文リスト

• 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
  本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。 この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。 構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
  論文  参考訳（メタデータ） (2024-06-08T09:53:45Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• MedGen3D: A Deep Generative Framework for Paired 3D Image and Mask Generation [17.373961762646356]
  我々は3次元医用画像とマスクをペアで生成できるフレームワークであるMedGen3Dを紹介する。 提案フレームワークは,合成画像とセグメンテーションマップの正確なアライメントを保証する。
  論文  参考訳（メタデータ） (2023-04-08T21:43:26Z)
• Between Generating Noise and Generating Images: Noise in the Correct Frequency Improves the Quality of Synthetic Histopathology Images for Digital Pathology [0.0]
  合成画像は、既存のデータセットを拡張し、AIアルゴリズムを改善し、検証する。 意味マスクに適切な空間周波数でランダムな単一画素ノイズを導入することで,合成画像の品質が劇的に向上することを示す。 我々の研究は、制限のないデータセットに対する需要に基づいて合成データを生成するためのシンプルで強力なアプローチを示唆している。
  論文  参考訳（メタデータ） (2023-02-13T17:49:24Z)
• Medical Diffusion -- Denoising Diffusion Probabilistic Models for 3D Medical Image Generation [0.6486409713123691]
  拡散確率モデルが高品質な医用画像データを合成可能であることを示す。 本研究は,2人の医療専門家による読影研究を通じて,そのパフォーマンスを定量的に測定する。 自己教師付き事前訓練において合成画像が利用可能であることを示し,データ不足時の乳房分割モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2022-11-07T08:37:48Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• EMIXER: End-to-end Multimodal X-ray Generation via Self-supervision [39.07263052525579]
  我々は,X線画像と対応する自由テキストレポートを共同で合成する,エンド・ツー・エンドのMultimodal X線生成モデル(EMIXER)を提案する。 EMIXERは、1)ラベルに基づいて画像を生成すること、2)隠された埋め込みに画像をエンコードすること、3)画像埋め込みから階層的デコーダを介して対応するテキストを生成すること、、4)画像と対応するテキストの両方を評価する共同識別器により、条件付き生成対向モデルである。 EMIXER生成した合成データセットは、X線画像分類、レポート生成モデルを強化して5。
  論文  参考訳（メタデータ） (2020-07-10T20:19:01Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• 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)

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。