論文の概要: Exploring the Power of Generative Deep Learning for Image-to-Image Translation and MRI Reconstruction: A Cross-Domain Review

• arxiv url: http://arxiv.org/abs/2303.09012v1
• Date: Thu, 16 Mar 2023 00:56:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 17:22:53.874388
• Title: Exploring the Power of Generative Deep Learning for Image-to-Image Translation and MRI Reconstruction: A Cross-Domain Review
• Title（参考訳）: 画像間翻訳とMRI再構成のための生成的深層学習の力を探る:クロスドメインレビュー
• Authors: Yuda Bi
• Abstract要約: 本研究は,自然画像領域と医用画像領域における画像から画像への変換と再構成に使用される深層学習手法について分析する。 自然コンピュータビジョンの分野では、様々なディープラーニング生成モデルの開発と拡張について検討する。 本稿では, 医用画像翻訳, MRI再構成, マルチコントラストMRI合成などの医療画像生成問題に対する深層学習の可能性について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has become a prominent computational modeling tool in the areas of computer vision and image processing in recent years. This research comprehensively analyzes the different deep-learning methods used for image-to-image translation and reconstruction in the natural and medical imaging domains. We examine the famous deep learning frameworks, such as convolutional neural networks and generative adversarial networks, and their variants, delving into the fundamental principles and difficulties of each. In the field of natural computer vision, we investigate the development and extension of various deep-learning generative models. In comparison, we investigate the possible applications of deep learning to generative medical imaging problems, including medical image translation, MRI reconstruction, and multi-contrast MRI synthesis. This thorough review provides scholars and practitioners in the areas of generative computer vision and medical imaging with useful insights for summarizing past works and getting insight into future research paths.
• Abstract（参考訳）: 近年,ディープラーニングはコンピュータビジョンや画像処理の分野で卓越した計算モデリングツールとなっている。 本研究は,自然画像領域と医用画像領域における画像から画像への変換と再構成に使用される様々な深層学習手法を包括的に分析する。 本稿では,畳み込みニューラルネットワークや生成的敵ネットワークなどの有名なディープラーニングフレームワークとその変種について検討し,それぞれの基本原理と難しさについて考察する。 自然コンピュータビジョンの分野では,様々なディープラーニング生成モデルの開発と拡張について検討する。 本稿では, 医用画像翻訳, MRI再構成, マルチコントラストMRI合成などの医療画像生成問題に対する深層学習の可能性について検討する。 この徹底したレビューは、生成的コンピュータビジョンと医療画像の分野の学者と実践者に、過去の作品を要約し、将来の研究経路についての洞察を得るのに役立つ洞察を提供する。

関連論文リスト

• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Vision Transformers in Medical Computer Vision -- A Contemplative Retrospection [0.9677949377607575]
  ビジョントランスフォーマーは、コンピュータビジョンの分野で使われている最も現代的で支配的なアーキテクチャの1つとして進化している。 画像ベース疾患分類,解剖学的構造区分,登録,領域ベース病変検出,キャプション,レポート生成など,医療コンピュータビジョンのさまざまな領域におけるビジョントランスフォーマーの適用について調査した。 また、利用可能なデータセット、採用方法論、パフォーマンス対策、課題、ソリューションについても、議論の形で光を当てています。
  論文  参考訳（メタデータ） (2022-03-29T06:32:43Z)
• Natural Image Reconstruction from fMRI using Deep Learning: A Survey [5.821090056678976]
  我々は、fMRIによる自然画像再構成のための最新のディープラーニング手法について調査する。 本稿では,これらの手法をアーキテクチャ設計,ベンチマークデータセット,評価指標の観点から検討する。 本稿では,既存研究の強みと限界,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-10-18T04:05:29Z)
• Recent advances and clinical applications of deep learning in medical image analysis [7.132678647070632]
  我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。 特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
  論文  参考訳（メタデータ） (2021-05-27T18:05:12Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Deep learning for photoacoustic imaging: a survey [4.877447414423669]
  深層人工知能ニューラルネットワークは、2009年に確立された他の成熟モデルを上回っ始めた。 ディープニューラルネットワークは、医療画像技術、医療データ分析、医療診断、その他の医療問題において大きな可能性を秘めている。 このレビューの目的は3つある: (i) 深層学習をいくつかの重要な基礎で導入すること、 (ii) 深層学習を光音響画像の生態的連鎖全体に適用する最近の研究、(iii) 画像再構成から疾患診断まで、そして (iii) 深層学習を光音響画像に適用することに興味のある研究者にいくつかのオープンソース資料やその他のリソースを提供することである。
  論文  参考訳（メタデータ） (2020-08-10T15:53:30Z)
• Medical Image Generation using Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
  論文  参考訳（メタデータ） (2020-05-19T20:31:57Z)
• State of the Art on Neural Rendering [141.22760314536438]
  我々は,古典的コンピュータグラフィックス技術と深層生成モデルを組み合わせることで,制御可能かつフォトリアリスティックな出力を得るアプローチに焦点をあてる。 本報告は,新しいビュー合成,セマンティック写真操作,顔と身体の再現,リライティング,自由視点ビデオ,バーチャルおよび拡張現実テレプレゼンスのためのフォトリアリスティックアバターの作成など,記述されたアルゴリズムの多くの重要なユースケースに焦点をあてる。
  論文  参考訳（メタデータ） (2020-04-08T04:36:31Z)
• Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
  イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。 深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
  論文  参考訳（メタデータ） (2020-01-15T21:37:47Z)

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。