論文の概要: Evaluating Procedures for Establishing Generative Adversarial Network-based Stochastic Image Models in Medical Imaging

• arxiv url: http://arxiv.org/abs/2204.03547v1
• Date: Thu, 7 Apr 2022 16:19:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 15:57:17.363090
• Title: Evaluating Procedures for Establishing Generative Adversarial Network-based Stochastic Image Models in Medical Imaging
• Title（参考訳）: 医用画像における生成型adversarial network-based stochastic image modelの確立手順の評価
• Authors: Varun A. Kelkar, Dimitrios S. Gotsis, Frank J. Brooks, Kyle J. Myers, Prabhat KC, Rongping Zeng, Mark A. Anastasio
• Abstract要約: GAN(Generative Adversarial Network)は、医療画像のいくつかの領域において非常に有望である。 本研究では, 血管造影画像中の現実的な血管を模擬する標準画像モデル(SIM)を用いて, GANを用いたSIMの確立手順を評価する。 古典的指標と医学的関連指標を用いてGANを評価することにより、トレーニングされたGANの忠実度に関する異なる結論が導かれる可能性がある。
• 参考スコア（独自算出の注目度）: 10.479865560555199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern generative models, such as generative adversarial networks (GANs), hold tremendous promise for several areas of medical imaging, such as unconditional medical image synthesis, image restoration, reconstruction and translation, and optimization of imaging systems. However, procedures for establishing stochastic image models (SIMs) using GANs remain generic and do not address specific issues relevant to medical imaging. In this work, canonical SIMs that simulate realistic vessels in angiography images are employed to evaluate procedures for establishing SIMs using GANs. The GAN-based SIM is compared to the canonical SIM based on its ability to reproduce those statistics that are meaningful to the particular medically realistic SIM considered. It is shown that evaluating GANs using classical metrics and medically relevant metrics may lead to different conclusions about the fidelity of the trained GANs. This work highlights the need for the development of objective metrics for evaluating GANs.
• Abstract（参考訳）: 現代の生成モデル、例えばgenerative adversarial networks(gans)は、無条件の医用画像合成、画像復元、再構成と翻訳、画像システムの最適化など、いくつかの医療画像分野において大きな期待を持っている。 しかし、ganを用いた確率的画像モデル(sims)の確立手順は一般的であり、医療画像に関する特定の問題に対処していない。 本研究では, 血管造影画像中の現実的な血管をシミュレートする標準SIMを用いて, GANを用いたSIMの確立手順を評価する。 GANベースのSIMは、医学的に現実的なSIMが考慮した統計を再現する能力に基づいて、標準SIMと比較される。 古典的指標と医学的関連指標を用いてGANを評価することにより、トレーニングされたGANの忠実度に関する異なる結論が導かれる可能性がある。 本研究は,gan評価のための客観的指標の開発の必要性を浮き彫りにする。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• AmbientCycleGAN for Establishing Interpretable Stochastic Object Models Based on Mathematical Phantoms and Medical Imaging Measurements [4.573310303307945]
  この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。 提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
  論文  参考訳（メタデータ） (2024-02-02T06:30:33Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Assessing the ability of generative adversarial networks to learn canonical medical image statistics [10.479865560555199]
  GAN(Generative Adversarial Network)は、医用画像の潜在的な応用において大きな人気を集めている。 現代のGANが下流の医療画像アプリケーションにとって意味のある統計を確実に学べるかどうかは不明だ。 本研究では,画像品質の客観的評価に関連する標準画像モデル(SIM)の統計を,最先端のGANで学習する能力について検討する。
  論文  参考訳（メタデータ） (2022-04-26T00:30:01Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• MIST GAN: Modality Imputation Using Style Transfer for MRI [0.49172272348627766]
  我々は既存のMRモードから欠落したMRモダリティを,スタイル転送を用いた計算問題として定式化する。 複数対1のマッピングにより、ターゲット画像を生成する際に、ドメイン固有のスタイルに対応するネットワークをモデル化する。 われわれのモデルはBraTS'18データセットでテストされ、その結果はビジュアルメトリクスの点で最先端のものと同等である。
  論文  参考訳（メタデータ） (2022-02-21T17:50:40Z)
• DSSIM: a structural similarity index for floating-point data [68.8204255655161]
  我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。 DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2022-02-05T19:18:33Z)
• Learning stochastic object models from medical imaging measurements by use of advanced AmbientGANs [7.987904193401004]
  GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。 本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-27T21:46:23Z)
• Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical Procedures [70.69948035469467]
  カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。 次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
  論文  参考訳（メタデータ） (2021-06-09T14:35:44Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs [14.501812971529137]
  オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。 良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2020-05-29T18:45:37Z)

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。