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
- 3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease
Progression from Longitudinal OCTs [9.959616182421783]
本研究では,非コントラスト学習に基づく縦型自己教師型学習手法である3DTINCを提案する。
3次元光コヒーレンストモグラフィ(OCT)ボリュームの摂動不変特性をOCT用に特別に設計した拡張を用いて学習するように設計されている。
加齢黄斑変性(AMD)などの網膜疾患の進行を予測するためには,この時間的情報が不可欠であることを示す実験を行った。
論文 参考訳(メタデータ) (2023-12-28T11:47:12Z) - 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) - Metadata-enhanced contrastive learning from retinal optical coherence
tomography images [9.618704558885069]
従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。
本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。
提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
論文 参考訳(メタデータ) (2022-08-04T08:53:15Z) - 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) - TINC: Temporally Informed Non-Contrastive Learning for Disease
Progression Modeling in Retinal OCT Volumes [4.397304270654923]
非競合的手法は損失に負を暗黙的に含み、異なる画像とモダリティをペアとして許容する。
時間的情報を用いた時間的コヒーレンストモグラフィーデータセットにおいて,既存の時間的情報を利用した。
本モデルは,中間年齢関連黄斑変性(AMD)から後期湿式AMDステージまでの時間枠内での変換のリスクを予測する上で,既存のモデルよりも優れる。
論文 参考訳(メタデータ) (2022-06-30T13:42:09Z) - Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。
完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。
もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文 参考訳(メタデータ) (2022-02-14T19:29:08Z) - 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) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳(メタデータ) (2021-04-22T11:18:17Z) - 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) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z) - 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。