論文の概要: Prior image-based medical image reconstruction using a style-based generative adversarial network

• arxiv url: http://arxiv.org/abs/2202.08936v1
• Date: Thu, 17 Feb 2022 23:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 14:57:22.820708
• Title: Prior image-based medical image reconstruction using a style-based generative adversarial network
• Title（参考訳）: スタイルベース生成対向ネットワークを用いた先行画像に基づく医用画像再構成
• Authors: Varun A. Kelkar and Mark A. Anastasio
• Abstract要約: 本研究では,画像再構成問題に制約を与えるために,スタイルベースの生成逆ネットワーク(StyleGAN)を提案する。 最適化問題はStyleGANの中間潜時空間で定式化され、意味のある画像属性に対してアンタングル化される。 MRイメージングにインスパイアされたスタイリングされた数値研究は、追尾と先行画像が構造的に類似しているように設計されている。
• 参考スコア（独自算出の注目度）: 15.757204774959366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed medical imaging systems require a computational reconstruction procedure for image formation. In order to recover a useful estimate of the object to-be-imaged when the recorded measurements are incomplete, prior knowledge about the nature of object must be utilized. In order to improve the conditioning of an ill-posed imaging inverse problem, deep learning approaches are being actively investigated for better representing object priors and constraints. This work proposes to use a style-based generative adversarial network (StyleGAN) to constrain an image reconstruction problem in the case where additional information in the form of a prior image of the sought-after object is available. An optimization problem is formulated in the intermediate latent-space of a StyleGAN, that is disentangled with respect to meaningful image attributes or "styles", such as the contrast used in magnetic resonance imaging (MRI). Discrepancy between the sought-after and prior images is measured in the disentangled latent-space, and is used to regularize the inverse problem in the form of constraints on specific styles of the disentangled latent-space. A stylized numerical study inspired by MR imaging is designed, where the sought-after and the prior image are structurally similar, but belong to different contrast mechanisms. The presented numerical studies demonstrate the superiority of the proposed approach as compared to classical approaches in the form of traditional metrics.
• Abstract（参考訳）: 医用画像システムには画像形成のための計算再構成手順が必要である。 記録された測定値が不完全である場合には、被写体の有用な推定値を取得するためには、被写体の性質に関する事前知識を利用する必要がある。 画像逆問題に対する条件付けを改善するために,物体の先行や制約をよりよく表現するために,ディープラーニングアプローチを積極的に研究している。 本研究は,検索対象の先行画像の形で追加情報が得られる場合に,画像再構成問題を制約するために,スタイルベースの生成逆ネットワーク(StyleGAN)を使用することを提案する。 磁気共鳴イメージング(MRI)で使用されるコントラストのような、意味のある画像属性や「スタイル」に対して歪んだスタイルGANの中間潜時空間に最適化問題を定式化する。 追従画像と先行画像との相違は、非絡み空間において測定され、非絡み空間の特定のスタイルに対する制約の形で逆問題を調整するために使用される。 MRイメージングにインスパイアされた、構造的に類似しているが、異なるコントラスト機構に属する、スタイル化された数値研究が設計されている。 提案手法は,従来の手法に比べ,従来手法よりも優れていることを示す数値的研究を行った。

関連論文リスト

• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Prior Image-Constrained Reconstruction using Style-Based Generative Models [15.757204774959366]
  本稿では,既知の先行画像と意味的に関連のある関心対象を推定するためのフレームワークを提案する。 スタイルベース生成モデルの非交叉潜在空間に最適化問題を定式化する。 意味的に有意な制約は、前の画像の非絡み合った潜在表現を用いて課される。
  論文  参考訳（メタデータ） (2021-02-24T19:36:55Z)
• On hallucinations in tomographic image reconstruction [3.486901561986149]
  不正確な事前は、再建された画像に偽構造が幻覚される可能性がある。 深部ニューラルネットワークは画像再構成問題を正規化するために活発に研究されている。
  論文  参考訳（メタデータ） (2020-12-01T17:14:28Z)
• Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
  ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。 本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-22T20:40:44Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks [12.288269320420486]
  不完全な医用画像データから高忠実度画像を再構成するために,画像適応型GANベースの再構成手法を適用した。 IAGAN法は, 診断に関連があるものの, 従来のスポーシティ・プロモーティング・レギュラー化による再建では過度に再現される可能性があると考えられる。
  論文  参考訳（メタデータ） (2020-01-27T23:39:47Z)

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。