論文の概要: Causal Image Synthesis of Brain MR in 3D
- arxiv url: http://arxiv.org/abs/2303.14349v1
- Date: Sat, 25 Mar 2023 03:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:31:01.825389
- Title: Causal Image Synthesis of Brain MR in 3D
- Title(参考訳): 3次元脳MRIの因果画像合成
- Authors: Yujia Li and Jiong Shi and S. Kevin Zhou
- Abstract要約: 本稿では,アルツハイマー病の統計変数,臨床指標,脳MR画像の因果関係をモデル化する新しい手法を提案する。
具体的には,構造因果モデルを用いて因果関係を表現し,画像の合成を行う。
提案手法を被験者1586名と3D画像3683名に基づいて実験し,脳MRI画像の合成を行った。
- 参考スコア(独自算出の注目度): 26.102886239053728
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical decision making requires counterfactual reasoning based on a factual
medical image and thus necessitates causal image synthesis. To this end, we
present a novel method for modeling the causality between demographic
variables, clinical indices and brain MR images for Alzheimer's Diseases.
Specifically, we leverage a structural causal model to depict the causality and
a styled generator to synthesize the image. Furthermore, as a crucial step to
reduce modeling complexity and make learning tractable, we propose the use of
low dimensional latent feature representation of a high-dimensional 3D image,
together with exogenous noise, to build causal relationship between the image
and non image variables. We experiment the proposed method based on 1586
subjects and 3683 3D images and synthesize counterfactual brain MR images
intervened on certain attributes, such as age, brain volume and cognitive test
score. Quantitative metrics and qualitative evaluation of counterfactual images
demonstrates the superiority of our generated images.
- Abstract(参考訳): 臨床意思決定は、事実的な医療画像に基づく偽りの推論を必要とするため、因果画像合成が必要となる。
そこで本研究では,アルツハイマー病の統計変数,臨床指標,脳MR画像の因果関係をモデル化する新しい手法を提案する。
具体的には,構造因果モデルを用いて因果関係を表現し,画像の合成を行う。
さらに,モデリングの複雑さを減らし,学習を容易なものにするための重要なステップとして,高次元3次元画像の低次元潜在特徴表現と外因性雑音を用いて,画像と非画像変数の因果関係を構築することを提案する。
提案手法は1586名の被験者と3683名の3d画像に基づいて実験を行い、年齢、脳容積、認知検査スコアなどの特定の属性に介入した偽脳mr画像を合成する。
偽画像の定量的指標と質的評価は,生成画像の優越性を示す。
関連論文リスト
- Advancing Brain Tumor Inpainting with Generative Models [0.7499722271664147]
病気の脳スキャンから健康な脳スキャンを合成することは、汎用アルゴリズムの限界に対処するための潜在的な解決策となる。
本研究は,3次元磁気共鳴画像(MRI)データの要求を満たすために,3次元インペイントタスクと2次元インペイント手法の適用について検討する。
論文 参考訳(メタデータ) (2024-02-02T15:43:51Z) - AI-based association analysis for medical imaging using latent-space
geometric confounder correction [6.488049546344972]
複数の共同設立者に対する意味的特徴解釈とレジリエンスを強調するAI手法を提案する。
このアプローチのメリットは,2次元合成データセットから共同創設者のいない特徴を抽出すること,出生前アルコール暴露と幼児の顔面形状との関連性を検討すること,の3つのシナリオで検証されている。
その結果, 共同設立者の影響を効果的に低減し, 共同設立団体の設立を減らした。
論文 参考訳(メタデータ) (2023-10-03T16:09:07Z) - Decoding Realistic Images from Brain Activity with Contrastive
Self-supervision and Latent Diffusion [29.335943994256052]
ヒトの脳活動から視覚刺激を再構築することは、脳の視覚系を理解する上で有望な機会となる。
機能的磁気共鳴イメージング(fMRI)記録から現実的な画像をデコードする2相フレームワークContrast and Diffuse(CnD)を提案する。
論文 参考訳(メタデータ) (2023-09-30T09:15:22Z) - Implicit neural representations for joint decomposition and registration
of gene expression images in the marmoset brain [0.9940728137241215]
暗黙的ニューラル表現に基づく新しい画像登録手法を提案し、脳画像のペアを登録する。
実験では,提案手法は優れた結果を与え,他の登録手法よりも優れていた。
論文 参考訳(メタデータ) (2023-08-08T04:30:42Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳(メタデータ) (2023-03-26T14:14:58Z) - Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for
Multiple Sclerosis Brain Images [1.7328025136996081]
局所病変の特徴をモデル化するための新しい生成法を提案する。
健康な画像に合成病変を生成し、病理画像から被写体特異的な擬似健康画像を合成することができる。
提案手法は,脳画像分割ネットワークを訓練するための合成画像を生成するデータ拡張モジュールとして利用することができる。
論文 参考訳(メタデータ) (2022-08-03T15:12:55Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - 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) - Learned Spatial Representations for Few-shot Talking-Head Synthesis [68.3787368024951]
複数発話頭合成のための新しいアプローチを提案する。
この異方性表現は,従来の手法よりも大幅に改善されることを示す。
論文 参考訳(メタデータ) (2021-04-29T17:59:42Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z)
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。