論文の概要: Generation of Artificial CT Images using Patch-based Conditional
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2205.09842v1
- Date: Thu, 19 May 2022 20:29:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 15:43:11.970121
- Title: Generation of Artificial CT Images using Patch-based Conditional
Generative Adversarial Networks
- Title(参考訳): Patch-based Conditional Generative Adversarial Networks を用いた人工CT画像の生成
- Authors: Marija Habijan, Irena Galic
- Abstract要約: 本稿では,条件付き判別器を用いた生成対向ネットワークを用いた画像生成手法を提案する。
心電図(CT)画像におけるGAN強調医用画像生成の可能性について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning has a great potential to alleviate diagnosis and prognosis for
various clinical procedures. However, the lack of a sufficient number of
medical images is the most common obstacle in conducting image-based analysis
using deep learning. Due to the annotations scarcity, semi-supervised
techniques in the automatic medical analysis are getting high attention.
Artificial data augmentation and generation techniques such as generative
adversarial networks (GANs) may help overcome this obstacle. In this work, we
present an image generation approach that uses generative adversarial networks
with a conditional discriminator where segmentation masks are used as
conditions for image generation. We validate the feasibility of GAN-enhanced
medical image generation on whole heart computed tomography (CT) images and its
seven substructures, namely: left ventricle, right ventricle, left atrium,
right atrium, myocardium, pulmonary arteries, and aorta. Obtained results
demonstrate the suitability of the proposed adversarial approach for the
accurate generation of high-quality CT images. The presented method shows great
potential to facilitate further research in the domain of artificial medical
image generation.
- Abstract(参考訳): 深層学習は様々な臨床手順の診断と予後を緩和する大きな可能性を秘めている。
しかし、十分な数の医療画像の欠如は、ディープラーニングを用いた画像分析の最も一般的な障害である。
アノテーションの不足により、自動医療分析における半監督技術が注目されている。
generative adversarial networks (gans) のような人工的なデータ拡張と生成技術は、この障害を克服するのに役立つかもしれない。
本稿では,画像生成の条件としてセグメンテーションマスクを用いる条件付き判別器を用いて,生成逆ネットワークを用いた画像生成手法を提案する。
右心室,右心室,左心房,右心房,心筋,肺動脈,大動脈の7つのサブ構造について,全心臓ct画像を用いたgan強調医用画像生成の有用性を確認した。
得られた結果は,高品質ct画像の高精度生成に向けた,提案手法の適用性を示している。
提案手法は, 人工医用画像生成分野におけるさらなる研究を促進する大きな可能性を示す。
関連論文リスト
- MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative
Adversarial Networks [52.233065714716886]
本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。
このアプローチは攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンデータセットの実験結果は、MITS-GANの優れた性能を示している。
論文 参考訳(メタデータ) (2024-01-17T22:30:41Z) - 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) - AI-Enabled Ultra-Low-Dose CT Reconstruction [8.135337706680097]
本稿では,X線撮影と同等の低線量で画像品質を診断できるAIを用いたCT再構成法を提案する。
臨床データセットの再構成結果から,36個のプロジェクションからのSUGARを用いて優れた画像の再構成が可能であることが示された。
論文 参考訳(メタデータ) (2021-06-17T22:13:11Z) - Pathology-Aware Generative Adversarial Networks for Medical Image
Augmentation [0.22843885788439805]
GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。
この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
論文 参考訳(メタデータ) (2021-06-03T15:08:14Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳(メタデータ) (2021-04-06T02:01:43Z) - 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) - MammoGANesis: Controlled Generation of High-Resolution Mammograms for
Radiology Education [0.0]
我々は,512×512高分解能マンモグラムを合成するために,GAN(Generative Adversarial Network)を訓練する。
結果として得られるモデルは、教師なしの高レベルの特徴の分離につながる。
両盲検で平均AUC0.54を達成し,医療関連マンモグラムの生成能力を示す。
論文 参考訳(メタデータ) (2020-10-11T06:47:56Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Design and Development of a Web-based Tool for Inpainting of Dissected
Aortae in Angiography Images [69.14026408176609]
提案した塗布ツールは、大動脈解離を塗布するタスクに基づいてトレーニングされたニューラルネットワークを組み合わせたものである。
ツールをWebアプリケーションとして設計することにより、ニューラルネットワークの使用を簡素化し、初期学習曲線を小さくする。
論文 参考訳(メタデータ) (2020-05-06T12:22:21Z) - 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。