論文の概要: Harmonizing Flows: Unsupervised MR harmonization based on normalizing flows

• arxiv url: http://arxiv.org/abs/2301.11551v1
• Date: Fri, 27 Jan 2023 06:37:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 16:23:37.817259
• Title: Harmonizing Flows: Unsupervised MR harmonization based on normalizing flows
• Title（参考訳）: 調和フロー:正規化フローに基づく教師なしMR調和
• Authors: Farzad Beizaee, Christian Desrosiers, Gregory A. Lodygensky, Jose Dolz
• Abstract要約: 本稿では,MR画像を調和させてソース領域の分布を模倣する正規化フローに基づく教師なしフレームワークを提案する。 浅層調和器ネットワークは、拡張バージョンからソースドメインのイメージを復元するために訓練される。 次に、正規化フローネットワークをトレーニングして、ソースドメインの分布を学習する。 テスト時には、正規化フローモデルで学習したソース領域の分布に出力画像が一致するようにハーモニザネットワークを変更する。
• 参考スコア（独自算出の注目度）: 14.653608889521875
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose an unsupervised framework based on normalizing flows that harmonizes MR images to mimic the distribution of the source domain. The proposed framework consists of three steps. First, a shallow harmonizer network is trained to recover images of the source domain from their augmented versions. A normalizing flow network is then trained to learn the distribution of the source domain. Finally, at test time, a harmonizer network is modified so that the output images match the source domain's distribution learned by the normalizing flow model. Our unsupervised, source-free and task-independent approach is evaluated on cross-domain brain MRI segmentation using data from four different sites. Results demonstrate its superior performance compared to existing methods.
• Abstract（参考訳）: 本稿では,MR画像を調和させてソース領域の分布を模倣する正規化フローに基づく教師なしフレームワークを提案する。 提案するフレームワークは3つのステップで構成されている。 まず、shresh harmonizer networkを訓練して、拡張バージョンからソースドメインのイメージを復元する。 その後、正規化フローネットワークを訓練して、ソースドメインの分布を学ぶ。 最後に、テスト時に、出力画像が正規化フローモデルによって学習されたソース領域の分布と一致するように、ハーモナイザネットワークを変更する。 4つの異なる部位からのデータを用いて,脳領域間MRIのセグメント化について,教師なし,ソースフリー,タスク非依存のアプローチを評価した。 その結果,既存の手法に比べて優れた性能を示した。

関連論文リスト

• Harmonizing Flows: Leveraging normalizing flows for unsupervised and source-free MRI harmonization [5.092355794195639]
  本稿では,正規化フローを利用してMR画像を調整し,ソース領域の分布をエミュレートする非教師なしフレームワークを提案する。 提案する戦略は3つの重要なステップから構成される。 我々は、浅層ハーモナイザネットワークをトレーニングし、その拡張によるソースドメインからの画像を再構成する。 推論中、ハーモニザネットワークを更新し、出力画像が学習したソース領域分布に適合することを保証する。
  論文  参考訳（メタデータ） (2024-07-22T15:22:08Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• BlindHarmony: "Blind" Harmonization for MR Images via Flow model [1.765282368080009]
  MRIでは、同一の被験者と同一のコントラストの画像は、異なるハードウェア、シーケンス、スキャンパラメータを使用して取得した場合、顕著な違いを示す。 これらの違いは、画像の調和によってブリッジされる必要があるドメインギャップを生み出します。 画像調和を実現するための深層学習に基づくアプローチが提案されている。 BlindHarmonyは、ターゲットドメインデータのみをトレーニングに使用するが、未確認領域からのイメージを調和させる機能を持つ。
  論文  参考訳（メタデータ） (2023-05-18T06:04:24Z)
• FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation [17.150527504559594]
  フーリエ適応正規化(FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netを提案する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-23T06:58:21Z)
• Omni-frequency Channel-selection Representations for Unsupervised Anomaly Detection [11.926787216956459]
  本稿では,周波数を考慮した新しいOmni- frequency Channel-Selection Reconstruction (OCR-GAN) ネットワークを提案する。 提案手法は, 再建ベースラインを+38.1, 現行のSOTA法を+0.3に大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-01T06:35:15Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。