Fugu-MT 論文翻訳(概要): TBI-GAN: An Adversarial Learning Approach for Data Synthesis on Traumatic Brain Segmentation

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

Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
論文参考訳（メタデータ） (2024-07-01T16:09:07Z)
Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
論文参考訳（メタデータ） (2024-06-21T01:53:12Z)
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)
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)
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。