論文の概要: TBI-GAN: An Adversarial Learning Approach for Data Synthesis on
Traumatic Brain Segmentation
- arxiv url: http://arxiv.org/abs/2208.06099v1
- Date: Fri, 12 Aug 2022 03:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:36:12.307917
- Title: TBI-GAN: An Adversarial Learning Approach for Data Synthesis on
Traumatic Brain Segmentation
- Title(参考訳): tbi-gan : 外傷性脳分節データ合成のための逆学習法
- Authors: Xiangyu Zhao, Di Zang, Sheng Wang, Zhenrong Shen, Kai Xuan, Zeyu Wei,
Zhe Wang, Ruizhe Zheng, Xuehai Wu, Zheren Li, Qian Wang, Zengxin Qi, and
Lichi Zhang
- Abstract要約: 本稿では,TBI MR スキャンを2つの脳ラベルマップで合成するために,TBI-GAN という新しい医用画像インペイントモデルを提案する。
TBI-GAN法の主な強みは,TBI画像と対応するラベルマップを同時に生成できることである。
実験結果から,提案手法は,高品質で有効なラベルマップを持つ十分に合成されたTBI画像を生成することができることがわかった。
- 参考スコア(独自算出の注目度): 14.183809518138242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain network analysis for traumatic brain injury (TBI) patients is critical
for its consciousness level assessment and prognosis evaluation, which requires
the segmentation of certain consciousness-related brain regions. However, it is
difficult to construct a TBI segmentation model as manually annotated MR scans
of TBI patients are hard to collect. Data augmentation techniques can be
applied to alleviate the issue of data scarcity. However, conventional data
augmentation strategies such as spatial and intensity transformation are unable
to mimic the deformation and lesions in traumatic brains, which limits the
performance of the subsequent segmentation task. To address these issues, we
propose a novel medical image inpainting model named TBI-GAN to synthesize TBI
MR scans with paired brain label maps. The main strength of our TBI-GAN method
is that it can generate TBI images and corresponding label maps simultaneously,
which has not been achieved in the previous inpainting methods for medical
images. We first generate the inpainted image under the guidance of edge
information following a coarse-to-fine manner, and then the synthesized
intensity image is used as the prior for label inpainting. Furthermore, we
introduce a registration-based template augmentation pipeline to increase the
diversity of the synthesized image pairs and enhance the capacity of data
augmentation. Experimental results show that the proposed TBI-GAN method can
produce sufficient synthesized TBI images with high quality and valid label
maps, which can greatly improve the 2D and 3D traumatic brain segmentation
performance compared with the alternatives.
- Abstract(参考訳): 外傷性脳損傷(TBI)患者の脳ネットワーク解析は、特定の意識関連脳領域の分節を必要とする意識レベル評価と予後評価に重要である。
しかし,手動で診断したTBI患者のMRスキャンは収集が困難であるため,TBIセグメンテーションモデルの構築は困難である。
データ拡張技術は、データの不足の問題を軽減するために応用できる。
しかし、空間的および強度的変換のような従来のデータ拡張戦略では、外傷性脳の変形や病変を模倣できないため、その後のセグメンテーションタスクの性能が制限される。
これらの課題に対処するため,TBI-GANと呼ばれる新しい医用画像塗布モデルを提案し,TBI MRスキャンを2つの脳ラベルマップで合成する。
TBI-GAN法の主な強みは,TBI画像と対応するラベルマップを同時に生成できることである。
まず,粗い形状のエッジ情報に基づいて,まずインペイント画像を生成し,次にラベルインペイントの先行として,合成されたインテンシティ画像を使用する。
さらに,合成画像ペアの多様性を高め,データ拡張能力を高めるために,登録ベースのテンプレート拡張パイプラインを導入する。
実験結果から,TBI-GAN法では,高画質かつ有効なラベルマップを用いた十分な合成TBI画像が得られ,他の方法と比較して2次元および3次元の外傷性脳セグメンテーション性能が大幅に向上することが示唆された。
関連論文リスト
- Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted
Diffusion Tensor Imaging [32.02624872108258]
本稿では,DTIスライスを塗布する3D-Wise-Aware Gate Network (TW-BAG)を提案する。
提案手法をHuman Connectome Project (HCP) データセット上で評価した。
実験の結果,提案手法は脳のDTI容積を再構築し,関連性のある臨床画像情報を復元できることが示唆された。
論文 参考訳(メタデータ) (2022-10-31T05:53:02Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳(メタデータ) (2022-08-30T16:06:07Z) - Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for
Multiple Sclerosis Brain Images [1.7328025136996081]
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。
論文 参考訳(メタデータ) (2022-08-03T15:12:55Z) - UniToBrain dataset: a Brain Perfusion Dataset [2.02258267891574]
では、UniToBrainを紹介します。
本稿では,画像処理と深層学習モデル開発のために,欧州のECVLとEDDLを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-01T07:16:02Z) - 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) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Image Translation for Medical Image Generation -- Ischemic Stroke
Lesions [0.0]
注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。
画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。
臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
論文 参考訳(メタデータ) (2020-10-05T09:12:28Z) - 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。