論文の概要: Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images

• arxiv url: http://arxiv.org/abs/2208.02135v1
• Date: Wed, 3 Aug 2022 15:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 13:27:31.035064
• Title: Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images
• Title（参考訳）: 多発性硬化症脳画像の主観的病変生成と擬似健康合成
• Authors: Berke Doga Basaran, Mengyun Qiao, Paul M. Matthews, Wenjia Bai
• Abstract要約: 局所病変の特徴をモデル化するための新しい生成法を提案する。 健康な画像に合成病変を生成し、病理画像から被写体特異的な擬似健康画像を合成することができる。 提案手法は,脳画像分割ネットワークを訓練するための合成画像を生成するデータ拡張モジュールとして利用することができる。
• 参考スコア（独自算出の注目度）: 1.7328025136996081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the intensity characteristics of brain lesions is key for defining image-based biomarkers in neurological studies and for predicting disease burden and outcome. In this work, we present a novel foreground-based generative method for modelling the local lesion characteristics that can both generate synthetic lesions on healthy images and synthesize subject-specific pseudo-healthy images from pathological images. Furthermore, the proposed method can be used as a data augmentation module to generate synthetic images for training brain image segmentation networks. Experiments on multiple sclerosis (MS) brain images acquired on magnetic resonance imaging (MRI) demonstrate that the proposed method can generate highly realistic pseudo-healthy and pseudo-pathological brain images. Data augmentation using the synthetic images improves the brain image segmentation performance compared to traditional data augmentation methods as well as a recent lesion-aware data augmentation technique, CarveMix. The code will be released at https://github.com/dogabasaran/lesion-synthesis.
• Abstract（参考訳）: 脳病変の強度特性を理解することは、神経研究における画像ベースのバイオマーカーを定義し、疾患の負担と結果を予測する鍵となる。 本研究では, 局所病変の特徴をモデル化し, 健全な画像に合成病変を発生させ, 病理像から対象特異的な擬似健康像を合成する手法を提案する。 さらに,提案手法は,脳画像セグメンテーションネットワークを訓練するための合成画像を生成するためのデータ拡張モジュールとして使用できる。 磁気共鳴画像(MRI)で得られた多発性硬化症(MS)脳画像の実験により,提案法は高現実的な擬似健康・擬似病理学的脳画像を生成することができることを示した。 合成画像を用いたデータ拡張は、従来のデータ拡張法や最近の病変認識データ拡張技術であるcarvemixに比べて脳画像分割性能が向上する。 コードはhttps://github.com/dogabasaran/lesion- synthesisでリリースされる。

関連論文リスト

• Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model [0.0]
  本研究では,高忠実かつ現実的なMRI画像スライス作成にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いることを検討した。 判別器ネットワークは、生成されたスライスと実際のスライスを区別するが、ジェネレータネットワークは、現実的なMRI画像スライスを合成することを学ぶ。 ジェネレータは、敵のトレーニングアプローチを通じて、実際のMRIデータを忠実に模倣するスライスを生成する能力を向上させる。
  論文  参考訳（メタデータ） (2024-04-11T05:06:51Z)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• Generative Adversarial Networks for Brain Images Synthesis: A Review [2.609784101826762]
  医用画像において、画像合成とは、ある画像(シーケンス、モダリティ)を別の画像(シーケンス、モダリティ)から推定する過程である。 GAN(Generative Adversarial Network)は、GAN(Generative-based Deep Learning)の一種。 我々は,CTからPETへの画像合成,CTからMRIへの画像合成,PETへの画像合成,およびその逆を含む最近のGANの展開を要約した。
  論文  参考訳（メタデータ） (2023-05-16T17:28:06Z)
• 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)
• SynthStrip: Skull-Stripping for Any Brain Image [7.846209440615028]
  我々は,学習に基づく迅速な脳抽出ツールであるSynthStripを紹介した。 解剖学的セグメンテーションを活用することで、SynthStripは、解剖学、強度分布、および医療画像の現実的な範囲をはるかに超える人工的なトレーニングデータセットを生成する。 一般的な頭蓋骨切断ベースラインよりも精度が大幅に向上した。
  論文  参考訳（メタデータ） (2022-03-18T14:08:20Z)
• Adversarial cycle-consistent synthesis of cerebral microbleeds for data augmentation [5.674961386020127]
  データ拡張のための制御可能な病理画像合成のための新しいフレームワークを提案する。 CycleGANにインスパイアされ、健康と病理の2つのドメイン間でサイクル一貫性のある画像から画像への翻訳を行います。 外傷性脳損傷患者の脳微小出血の組織データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2021-01-16T15:58:17Z)
• EEG to fMRI Synthesis: Is Deep Learning a candidate? [0.913755431537592]
  この研究は、脳波(EEG)ビューデータからfMRIデータを合成するために、Neural Processingから最先端の原理を使用する方法について、初めて包括的な情報を提供する。 オートエンコーダ,ジェネレータネットワーク,ペアワイズラーニングなど,最先端の合成手法の比較を行った。 結果は、fMRI脳画像マッピングに対する脳波の実現可能性を強調し、機械学習における現在の進歩の役割を指摘し、パフォーマンスをさらに向上するために、今後のコントリビューションの関連性を示す。
  論文  参考訳（メタデータ） (2020-09-29T16:29:20Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
  本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
  論文  参考訳（メタデータ） (2020-06-24T18:00:01Z)
• 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。