論文の概要: Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2301.05465v1
• Date: Fri, 13 Jan 2023 10:31:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 14:16:34.704773
• Title: Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis
• Title（参考訳）: 経時的医用画像合成のための深部生成潜在モデルにおける明示的時間埋め込み
• Authors: Julian Sch\"on, Raghavendra Selvan, Lotte Nyg{\aa}rd, Ivan Richter Vogelius, Jens Petersen
• Abstract要約: 本稿では,GANの潜在空間に時間的依存を埋め込む新しい共同学習手法を提案する。 これにより、監督が限定された連続的、滑らかで高品質な音量データを合成できる。 提案手法の有効性を,異なる長さ依存を含む3つのデータセットに対して示す。
• 参考スコア（独自算出の注目度）: 1.1339580074756188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging plays a vital role in modern diagnostics and treatment. The temporal nature of disease or treatment progression often results in longitudinal data. Due to the cost and potential harm, acquiring large medical datasets necessary for deep learning can be difficult. Medical image synthesis could help mitigate this problem. However, until now, the availability of GANs capable of synthesizing longitudinal volumetric data has been limited. To address this, we use the recent advances in latent space-based image editing to propose a novel joint learning scheme to explicitly embed temporal dependencies in the latent space of GANs. This, in contrast to previous methods, allows us to synthesize continuous, smooth, and high-quality longitudinal volumetric data with limited supervision. We show the effectiveness of our approach on three datasets containing different longitudinal dependencies. Namely, modeling a simple image transformation, breathing motion, and tumor regression, all while showing minimal disentanglement. The implementation is made available online at https://github.com/julschoen/Temp-GAN.
• Abstract（参考訳）: 医療画像は現代の診断と治療において重要な役割を担っている。 病気や治療の進行の時間的性質はしばしば経時的データをもたらす。 コストと潜在的被害のため、ディープラーニングに必要な大規模医療データセットの取得は困難である。 医用画像合成はこの問題を軽減するのに役立つかもしれない。 しかし,これまでは縦断的なボリュームデータ合成が可能なgansの利用は限られていた。 そこで本稿では,近年の潜時空間画像編集の進歩を利用して,GANの潜時空間に時間依存性を明示的に埋め込む新しい共同学習手法を提案する。 これは従来の方法とは対照的に、連続的で滑らかで高品質な縦断データの合成を可能にします。 縦依存性の異なる3つのデータセットに対して,提案手法の有効性を示す。 すなわち、単純な画像変換、呼吸運動、腫瘍退縮をモデル化し、しかも最小の絡み合いを示す。 実装はhttps://github.com/julschoen/Temp-GAN.comで公開されている。

関連論文リスト

• Conditional Diffusion Model for Longitudinal Medical Image Generation [4.649475179575047]
  アルツハイマー病はゆっくりと進行し、生物学的因子間の複雑な相互作用を伴う。 縦断的医療画像データは、時間とともにこの進歩を捉えることができる。 しかし, 患者退院に伴うデータ不足, 不規則な経過観察間隔, 観察期間の変動など, 経時的データが頻繁に発生する。
  論文  参考訳（メタデータ） (2024-11-07T06:44:47Z)
• Longitudinal Causal Image Synthesis [19.07839779249869]
  臨床的意思決定は因果推論と縦断解析に大きく依存する。 脳脊髄液中のA-βレベルに介在した場合、脳灰白質萎縮は1年でどのように起こるか?
  論文  参考訳（メタデータ） (2024-10-23T09:13:11Z)
• ImageFlowNet: Forecasting Multiscale Image-Level Trajectories of Disease Progression with Irregularly-Sampled Longitudinal Medical Images [44.107186498384024]
  ImageFlowNetは、空間的詳細を保存しながら、初期画像から疾患軌跡を予測するために設計された新しいモデルである。 我々は、ODEの定式化を支援し、高レベルの視覚的特徴を含む正規化を動機付ける理論的洞察を提供する。 私たちのコントリビューションには、ImageFlowNetの開発、実世界のデータセットに関する理論的および実証的な検証が含まれています。
  論文  参考訳（メタデータ） (2024-06-20T23:51:32Z)
• 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
  本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。 この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。 構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
  論文  参考訳（メタデータ） (2024-06-08T09:53:45Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• SADM: Sequence-Aware Diffusion Model for Longitudinal Medical Image Generation [23.174391810184602]
  縦断的医用画像生成のためのシーケンス認識拡散モデル(SADM)を提案する。 本手法は,拡散モデルにおける条件付きモジュールとしてシーケンス対応トランスフォーマーを導入することにより,この新しい手法を拡張した。 3次元縦断的医用画像を用いた実験は,ベースラインや代替手法と比較してSADMの有効性を示した。
  論文  参考訳（メタデータ） (2022-12-16T01:35:27Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset [57.30136148318641]
  Fetoscopy Laser Photocoagulation はツイン・ツー・ツイン・トランスフュージョン症候群(TTTS)の治療に広く用いられている治療法である これにより、プロシージャ時間と不完全アブレーションが増加し、持続的なTTTSが生じる可能性がある。 コンピュータ支援による介入は、ビデオモザイクによって胎児の視野を広げ、船体ネットワークのより良い視覚化を提供することによって、これらの課題を克服するのに役立つかもしれない。 本稿では,長期フェトスコープビデオからドリフトフリーモザイクを作成することを目的とした,胎児環境のための汎用的でロバストなセマンティックセマンティックセグメンテーションとビデオモザイクアルゴリズムを開発するための大規模マルチセントデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:14:27Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。