Fugu-MT 論文翻訳(概要): Morphology-preserving Autoregressive 3D Generative Modelling of the Brain

論文の概要: Morphology-preserving Autoregressive 3D Generative Modelling of the Brain

arxiv url: http://arxiv.org/abs/2209.03177v1
Date: Wed, 7 Sep 2022 14:17:42 GMT
ステータス: 処理完了
システム内更新日: 2022-09-08 12:17:59.350505
Title: Morphology-preserving Autoregressive 3D Generative Modelling of the Brain
Title（参考訳）: 脳の形態保存型自己回帰3次元生成モデル
Authors: Petru-Daniel Tudosiu, Walter Hugo Lopez Pinaya, Mark S. Graham, Pedro Borges, Virginia Fernandez, Dai Yang, Jeremy Appleyard, Guido Novati, Disha Mehra, Mike Vella, Parashkev Nachev, Sebastien Ourselin and Jorge Cardoso
Abstract要約: この研究は、人間の脳の正確で高解像度で現実的な画像を生成するためにスケールできる生成モデルを提案する。潜在的に無制限な量のデータを生成する能力は、患者のプライバシーを損なうことなく、人間の解剖学と病理学の大規模な研究を可能にするだけでなく、異常検出、モダリティ合成、限られたデータによる学習、公正で倫理的なAIの研究を著しく前進させる。
参考スコア（独自算出の注目度）: 2.6498965891119397
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human anatomy, morphology, and associated diseases can be studied using medical imaging data. However, access to medical imaging data is restricted by governance and privacy concerns, data ownership, and the cost of acquisition, thus limiting our ability to understand the human body. A possible solution to this issue is the creation of a model able to learn and then generate synthetic images of the human body conditioned on specific characteristics of relevance (e.g., age, sex, and disease status). Deep generative models, in the form of neural networks, have been recently used to create synthetic 2D images of natural scenes. Still, the ability to produce high-resolution 3D volumetric imaging data with correct anatomical morphology has been hampered by data scarcity and algorithmic and computational limitations. This work proposes a generative model that can be scaled to produce anatomically correct, high-resolution, and realistic images of the human brain, with the necessary quality to allow further downstream analyses. The ability to generate a potentially unlimited amount of data not only enables large-scale studies of human anatomy and pathology without jeopardizing patient privacy, but also significantly advances research in the field of anomaly detection, modality synthesis, learning under limited data, and fair and ethical AI. Code and trained models are available at: https://github.com/AmigoLab/SynthAnatomy.
Abstract（参考訳）: ヒトの解剖学、形態学、および関連する疾患は、医療画像データを用いて研究することができる。しかしながら、医療画像データへのアクセスは、ガバナンスやプライバシの懸念、データの所有、取得コストによって制限されるため、人間の身体を理解する能力は制限される。この問題に対する可能な解決策は、人間の身体の特定の特性(例えば、年齢、性別、疾患の状態)に基づいて学習し、合成画像を生成することができるモデルの作成である。ニューラルネットワークの形で、深層生成モデルは、最近、自然シーンの合成2D画像を作成するために使用されている。それでも、正しい解剖学的形態を持つ高解像度の3次元体積画像データを作成する能力は、データの不足とアルゴリズム的および計算的制限によって妨げられている。本研究では、解剖学的に正確で高解像度でリアルな人間の脳の画像を生成するためにスケールできる生成モデルを提案する。潜在的に無制限な量のデータを生成する能力は、患者のプライバシーを損なうことなく、人間の解剖学と病理学の大規模な研究を可能にするだけでなく、異常検出、モダリティ合成、限られたデータによる学習、公正で倫理的なAIの研究を著しく前進させる。コードとトレーニングされたモデルは、https://github.com/AmigoLab/SynthAnatomy.comで入手できる。

関連論文リスト

HINT: Learning Complete Human Neural Representations from Limited Viewpoints [69.76947323932107]
我々は、限られた視野角から詳細な人間のモデルを学習できるNeRFベースのアルゴリズムを提案する。その結果,数個の視角からでも完全な人間の再構築が可能となり,性能は15%以上向上した。
論文参考訳（メタデータ） (2024-05-30T05:43:09Z)
Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文参考訳（メタデータ） (2024-05-24T06:06:11Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
A 3D generative model of pathological multi-modal MR images and segmentations [3.4806591877889375]
脳MRIと関連セグメンテーションのための3次元生成モデルである脳SPADE3Dを提案する。提案した共同画像分割生成モデルを用いて,高忠実度合成画像と関連するセグメンテーションを生成する。データに予期せぬ病理が存在する場合、セグメント化モデルの性能に関する問題をモデルが緩和する方法を実証する。
論文参考訳（メタデータ） (2023-11-08T09:36:37Z)
HyperHuman: Hyper-Realistic Human Generation with Latent Structural Diffusion [114.15397904945185]
本稿では,高リアリズムと多彩なレイアウトの人体画像を生成する統一的なフレームワークHyperHumanを提案する。本モデルは,統合ネットワークにおける画像の外観,空間的関係,幾何学の連成学習を強制する。我々のフレームワークは最先端の性能を生み出し、多様なシナリオ下で超現実的な人間の画像を生成する。
論文参考訳（メタデータ） (2023-10-12T17:59:34Z)
SynBody: Synthetic Dataset with Layered Human Models for 3D Human Perception and Modeling [93.60731530276911]
我々は3つの魅力的な特徴を持つ新しい合成データセット、SynBodyを紹介した。データセットは、正確な3Dアノテーションを備えた1.2Mイメージで構成され、1万の人体モデル、1,187のアクション、さまざまな視点をカバーしている。
論文参考訳（メタデータ） (2023-03-30T13:30:12Z)
Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
本稿では,脳腫瘍MRI画像の生成手法について述べる。その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
論文参考訳（メタデータ） (2022-12-04T09:01:33Z)
Can segmentation models be trained with fully synthetically generated data? [0.39577682622066246]
BrainSPADEは、合成拡散ベースのラベルジェネレータとセマンティックイメージジェネレータを組み合わせたモデルである。本モデルでは, 興味の病理の有無に関わらず, オンデマンドで完全合成脳ラベルを作成でき, 任意のガイド型MRI画像を生成することができる。 brainSPADE合成データは、実際のデータでトレーニングされたモデルに匹敵するパフォーマンスでセグメンテーションモデルをトレーニングするために使用できる。
論文参考訳（メタデータ） (2022-09-17T05:24:04Z)
Brain Imaging Generation with Latent Diffusion Models [2.200720122706913]
本研究では,高分解能3次元脳画像から合成画像を生成するために潜在拡散モデルを用いて検討する。我々のモデルは現実的なデータを作成し、条件変数を使ってデータ生成を効果的に制御できることがわかった。
論文参考訳（メタデータ） (2022-09-15T09:16:21Z)
SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments [12.019996672009375]
人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
論文参考訳（メタデータ） (2022-06-13T13:08:41Z)
Neural Actor: Neural Free-view Synthesis of Human Actors with Pose Control [80.79820002330457]
任意の視点と任意の制御可能なポーズの下での人間の高品質な合成法を提案する。提案手法は,新しいポーズ合成法と同様に,再生時の最先端技術よりも優れた品質を実現し,トレーニングポーズと大きく異なる新しいポーズを一般化することができる。
論文参考訳（メタデータ） (2021-06-03T17:40:48Z)

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。