論文の概要: Structure Unbiased Adversarial Model for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2205.12857v1
- Date: Wed, 25 May 2022 15:33:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-26 17:17:09.483017
- Title: Structure Unbiased Adversarial Model for Medical Image Segmentation
- Title(参考訳): 医用画像分割のための構造非バイアスadversarialモデル
- Authors: Tianyang Zhang, Shaoming Zheng, Jun Cheng, Xi Jia, Joseph Bartlett,
Huazhu Fu, Zhaowen Qiu, Jiang Liu and Jinming Duan
- Abstract要約: 画像認識において、分布が実際の画像と類似した画像を生成するために、生成モデルが広く提案されている。
本稿では, 構造的ギャップを低減するため, 典型的な強度分布ギャップに加えて, 新しい画像から画像への変換問題を再構成する。
本稿では,医用画像セグメント化のための逆構造変形を学習可能な単純な構造的不偏相関モデル (SUAM) を提案する。
- 参考スコア(独自算出の注目度): 35.154567852645194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models have been widely proposed in image recognition to generate
more images where the distribution is similar to that of the real images. It
often introduces a discriminator network to discriminate original real data and
generated data.
However, such discriminator often considers the distribution of the data and
did not pay enough attention to the intrinsic gap due to structure.
In this paper, we reformulate a new image to image translation problem to
reduce structural gap, in addition to the typical intensity distribution gap.
We further propose a simple yet important Structure Unbiased Adversarial Model
for Medical Image Segmentation (SUAM) with learnable inverse structural
deformation for medical image segmentation. It consists of a structure
extractor, an attention diffeomorphic registration and a structure \& intensity
distribution rendering module. The structure extractor aims to extract the
dominant structure of the input image. The attention diffeomorphic registration
is proposed to reduce the structure gap with an inverse deformation field to
warp the prediction masks back to their original form. The structure rendering
module is to render the deformed structure to an image with targeted intensity
distribution. We apply the proposed SUAM on both optical coherence tomography
(OCT), magnetic resonance imaging (MRI) and computerized tomography (CT) data.
Experimental results show that the proposed method has the capability to
transfer both intensity and structure distributions.
- Abstract(参考訳): 画像認識において生成モデルが広く提案されており、実画像と分布が類似するより多くの画像を生成する。
しばしば差別化ネットワークを導入し、元の実データと生成されたデータを識別する。
しかし、そのような判別器はデータの分布をよく考慮し、構造による本質的なギャップに十分な注意を払わなかった。
本稿では,典型的な強度分布ギャップに加えて,構造ギャップを低減するため,新しい画像から画像への変換問題を再構成する。
さらに,医用画像セグメント化のための逆構造変形を学習可能なSUAM(Structure Unbiased Adversarial Model for Medical Image Segmentation)を提案する。
それは、構造抽出器、注意二相登録、および構造 \&インテンシティ分布レンダリングモジュールから構成されている。
構造抽出器は、入力画像の支配的構造を抽出することを目的とする。
逆変形場による構造ギャップを低減し, 予測マスクを元の形状に反動させるため, 注意二相登録を提案する。
構造レンダリングモジュールは、変形した構造を対象の強度分布で画像にレンダリングする。
光コヒーレンス断層撮影(oct)、磁気共鳴イメージング(mri)、コンピュータ断層撮影(ct)の両データに適用した。
実験の結果,提案手法は強度分布と構造分布の両方を伝達できることがわかった。
関連論文リスト
- Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry [53.645443644821306]
本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - Zero-shot Medical Image Translation via Frequency-Guided Diffusion
Models [9.15810015583615]
構造保存画像変換のための拡散モデルを導出するために周波数領域フィルタを用いた周波数誘導拡散モデル(FGDM)を提案する。
その設計に基づいて、FGDMはゼロショット学習を可能にし、ターゲットドメインのデータのみに基づいてトレーニングし、ソース・ツー・ターゲットドメインの変換に直接使用することができる。
FGDMは、Frechet Inception Distance(FID)、Peak Signal-to-Noise Ratio(PSNR)、および構造的類似性の測定値において、最先端手法(GANベース、VAEベース、拡散ベース)よりも優れていた
論文 参考訳(メタデータ) (2023-04-05T20:47:40Z) - Variational Inference for Quantifying Inter-observer Variability in
Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。
特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-18T16:33:33Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain
Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成
本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文 参考訳(メタデータ) (2021-03-05T16:22:31Z) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-11T23:53:51Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳(メタデータ) (2020-05-05T11:08:26Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。