論文の概要: Unsupervised Image to Image Translation for Multiple Retinal Pathology Synthesis in Optical Coherence Tomography Scans

• arxiv url: http://arxiv.org/abs/2112.06031v1
• Date: Sat, 11 Dec 2021 17:18:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 09:28:10.514162
• Title: Unsupervised Image to Image Translation for Multiple Retinal Pathology Synthesis in Optical Coherence Tomography Scans
• Title（参考訳）: 光コヒーレンス断層撮影における多重網膜病理合成のための教師なし画像から画像への変換
• Authors: Hemanth Pasupuleti, G. N. Girish
• Abstract要約: 眼科はI2Iの応用が急速に増加している主要な分野の1つである。 本稿では,1領域の網膜OCT画像を複数の領域に翻訳する,事前学習型エンコーダを用いた教師なしマルチドメインI2Iネットワークを提案する。
• 参考スコア（独自算出の注目度）: 1.7462881580496201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image to Image Translation (I2I) is a challenging computer vision problem used in numerous domains for multiple tasks. Recently, ophthalmology became one of the major fields where the application of I2I is increasing rapidly. One such application is the generation of synthetic retinal optical coherence tomographic (OCT) scans. Existing I2I methods require training of multiple models to translate images from normal scans to a specific pathology: limiting the use of these models due to their complexity. To address this issue, we propose an unsupervised multi-domain I2I network with pre-trained style encoder that translates retinal OCT images in one domain to multiple domains. We assume that the image splits into domain-invariant content and domain-specific style codes, and pre-train these style codes. The performed experiments show that the proposed model outperforms state-of-the-art models like MUNIT and CycleGAN synthesizing diverse pathological scans.
• Abstract（参考訳）: Image to Image Translation (I2I)は、複数のタスクで多くの領域で使われているコンピュータビジョンの問題である。 近年,眼科はI2Iの応用が急速に増加している主要な分野の一つとなった。 そのような応用の1つは、合成網膜光コヒーレンストモグラフィー(OCT)スキャンの生成である。 既存のi2iメソッドでは、通常のスキャンから特定の病理学への画像変換のために複数のモデルのトレーニングが必要である。 この問題に対処するために,1領域の網膜CT画像を複数の領域に翻訳する事前学習型エンコーダを用いた教師なしマルチドメインI2Iネットワークを提案する。 画像は、ドメイン不変コンテンツとドメイン固有スタイルコードに分割され、これらのスタイルコードを事前訓練する。 実験により,提案モデルがMUNITやCycleGANなどの最先端モデルより,多様な病理スキャンを合成することを示す。

関連論文リスト

• Anatomical Conditioning for Contrastive Unpaired Image-to-Image Translation of Optical Coherence Tomography Images [0.0]
  我々は,光コヒーレンストモグラフィー(OCT)データセットを用いたSpectralis-OCT画像とHome-OCT画像の問題点について検討した。 I2I翻訳は画像が損なわれないため難しい。 提案手法は,スタイル変換された画像とターゲット分布との類似性を高める。
  論文  参考訳（メタデータ） (2024-04-08T11:20:28Z)
• Enhancing CT Image synthesis from multi-modal MRI data based on a multi-task neural network framework [16.864720020158906]
  拡張型Transformer U-Netアーキテクチャに基づく多目的マルチタスクニューラルネットワークフレームワークを提案する。 我々はCT画像を個別のサブタスクに分解する従来の問題を分解する。 マルチモーダルデータを扱う際のフレームワークの汎用性を高めるため,複数の画像チャネルでモデルを拡張した。
  論文  参考訳（メタデータ） (2023-12-13T18:22:38Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• MMOTU: A Multi-Modality Ovarian Tumor Ultrasound Image Dataset for Unsupervised Cross-Domain Semantic Segmentation [26.790553077899336]
  卵巣癌は最も有害な婦人科疾患の1つである。 近年の特筆すべき方法は, 単品性超音波卵巣腫瘍の分節または認識に焦点をあてることである。 我々は1469個の2次元超音波画像と170個の造影超音波画像を含むMMOTU画像データセットを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:23:17Z)
• Multi-domain Unsupervised Image-to-Image Translation with Appearance Adaptive Convolution [62.4972011636884]
  本稿では,MDUIT(Multi-domain unsupervised image-to-image translation)フレームワークを提案する。 我々は、分解されたコンテンツ特徴と外観適応的畳み込みを利用して、画像をターゲットの外観に変換する。 提案手法は,最先端の手法と比較して,複数の領域で視覚的に多様かつ妥当な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-02-06T14:12:34Z)
• StEP: Style-based Encoder Pre-training for Multi-modal Image Synthesis [68.3787368024951]
  マルチモーダルイメージ・ツー・イメージ(I2I)翻訳のための新しいアプローチを提案する。 我々は、出力領域の可変性をモデル化する潜伏埋め込みをジェネレータと共同で学習する。 具体的には、新しいプロキシタスクを用いて汎用的なスタイルエンコーダを事前訓練し、任意のドメインから低次元のスタイル潜在空間への画像の埋め込みを学習する。
  論文  参考訳（メタデータ） (2021-04-14T19:58:24Z)
• 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)
• Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI Image-to-Image Translation [7.8333615755210175]
  本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。 我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
  論文  参考訳（メタデータ） (2020-12-03T09:10:22Z)
• Manipulating Medical Image Translation with Manifold Disentanglement [5.301506608482977]
  医用画像翻訳のためのMDGAN(Manifold Disentanglement Generative Adversarial Network)を提案する。 MDGANは、ドメイン不変の特徴とドメイン固有の特徴を明示的に切り離し、双方を個別に制御する。 MR多様体クラスタを横切る経路をトラバースすることで、入力から形状情報を保持しながら目標出力を操作できることが示される。
  論文  参考訳（メタデータ） (2020-11-27T09:11:52Z)
• Domain Adaptation for Image Dehazing [72.15994735131835]
  既存のほとんどの方法は、合成ヘイズ画像のデハージングモデルを訓練するが、ドメインシフトによる実際のヘイズ画像の一般化は困難である。 画像変換モジュールと2つの画像デハージングモジュールからなるドメイン適応パラダイムを提案する。 実世界の合成画像と実世界の画像の両方で実験結果から,我々のモデルは最先端の脱ハージングアルゴリズムに対して好適に機能することが示された。
  論文  参考訳（メタデータ） (2020-05-10T13:54:56Z)

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。