論文の概要: Translational Lung Imaging Analysis Through Disentangled Representations
- arxiv url: http://arxiv.org/abs/2203.01668v1
- Date: Thu, 3 Mar 2022 11:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-05 01:10:14.413386
- Title: Translational Lung Imaging Analysis Through Disentangled Representations
- Title（参考訳）: アンタングル表現を用いた翻訳肺画像解析
- Authors: Pedro M. Gordaliza, Juan Jos\'e Vaquero, Arrate Mu\~noz-Barrutia
- Abstract要約: 本稿では,異なる動物モデルの画像から絡み合った情報を抽出できるモデルと,その画像を生成するメカニズムについて述べる。
結核に感染した病理肺の画像から最適化され、(a)入力スライスからその位置を推定し、その属する動物モデル、そしてさらには、肺全体を覆うマスクを生成することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of new treatments often requires clinical trials with
translational animal models using (pre)-clinical imaging to characterize
inter-species pathological processes. Deep Learning (DL) models are commonly
used to automate retrieving relevant information from the images. Nevertheless,
they typically suffer from low generability and explainability as a product of
their entangled design, resulting in a specific DL model per animal model.
Consequently, it is not possible to take advantage of the high capacity of DL
to discover statistical relationships from inter-species images.
To alleviate this problem, in this work, we present a model capable of
extracting disentangled information from images of different animal models and
the mechanisms that generate the images. Our method is located at the
intersection between deep generative models, disentanglement and causal
representation learning. It is optimized from images of pathological lung
infected by Tuberculosis and is able: a) from an input slice, infer its
position in a volume, the animal model to which it belongs, the damage present
and even more, generate a mask covering the whole lung (similar overlap
measures to the nnU-Net), b) generate realistic lung images by setting the
above variables and c) generate counterfactual images, namely, healthy versions
of a damaged input slice.
- Abstract（参考訳）: 新しい治療法の開発には、種間病理過程を特徴付けるために(pre)-clinical imagingを用いた翻訳動物モデルによる臨床試験がしばしば必要となる。
ディープラーニング(DL)モデルは、画像から関連する情報を取得するのを自動化するために一般的に使用される。
しかし、一般的には、絡み合ったデザインの産物として、生産性や説明可能性の低下に悩まされ、動物モデルごとに特定のDLモデルが作られる。
したがって、dlの高容量を利用して種間画像から統計的関係を発見することは不可能である。
この問題を軽減するため,本研究では,異なる動物モデルの画像から異種情報を抽出するモデルと,その画像を生成するメカニズムを提案する。
本手法は, 深部生成モデル, 絡み合い, 因果表現学習の交差点に位置する。
結核に感染した病理肺の画像から最適化され、
a) 入力スライスから、容積におけるその位置、その属する動物モデル、損傷の有無、更には、肺全体を覆うマスク(nnU-Netとの類似の重なり方)を生成すること。
b)上記の変数を設定して現実的な肺画像を生成すること
c) 破損した入力スライスの健全なバージョンである偽画像を生成する。
関連論文リスト
- Multi-Conditioned Denoising Diffusion Probabilistic Model (mDDPM) for Medical Image Synthesis [22.0080610434872]
アノテーションを用いた合成画像の制御生成フレームワークを提案する。
本手法は, 解剖学的に忠実に表現できる, 注記式肺CT画像を作成することができることを示す。
本実験は, この自然の制御された生成フレームワークが, ほぼすべての最先端画像生成モデルを超えることを実証した。
論文 参考訳（メタデータ） (2024-09-07T01:19:02Z) - Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis [13.629617915974531]
変形-回復拡散モデル (DRDM) は, 変形拡散と回復に基づく拡散モデルである。
DRDMは、不合理な変形成分の回復を学ぶために訓練され、ランダムに変形した各画像を現実的な分布に復元する。
心MRIおよび肺CTによる実験結果から,DRDMは多種多様(10%以上の画像サイズ変形スケール)の変形を生じさせることが示された。
論文 参考訳（メタデータ） (2024-07-10T01:26:48Z) - Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。
我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2024-04-12T18:21:08Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Exploring the Robustness of Human Parsers Towards Common Corruptions [99.89886010550836]
我々は,LIP-C,ATR-C,Pascal-Person-Part-Cという3つの汚職堅牢性ベンチマークを構築し,人間の解析モデルのリスク許容度を評価する。
データ強化戦略に触発されて、一般に破損した条件下で頑健性を高めるための新しい異種強化機構を提案する。
論文 参考訳（メタデータ） (2023-09-02T13:32:14Z) - 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) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - Fast Unsupervised Brain Anomaly Detection and Segmentation with
Diffusion Models [1.6352599467675781]
脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。
拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
論文 参考訳（メタデータ） (2022-06-07T17:30:43Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - RADIOGAN: Deep Convolutional Conditional Generative adversarial Network
To Generate PET Images [3.947298454012977]
MIPポジトロン放射トモグラフィー画像(PET)を生成するための深層畳み込み条件生成対向ネットワークを提案する。
提案手法の利点は,1種類の病変に対して,小さな標本サイズで訓練した病変の異なるクラスを生成できるモデルから成り立っている。
また,画像評価ツールとして,潜伏空間を歩行できることを示す。
論文 参考訳（メタデータ） (2020-03-19T10:14:40Z)
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。