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
- 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) - Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs [0.0]
本研究では,3次元ResNetをトレーニングすることで脳MRI品質を評価するための,ディープラーニングに基づく新しい非参照手法を提案する。
このネットワークは、MRIスキャンでよく見られる6つの異なるアーティファクトで品質を推定するように設計されている。
その結果、歪みを正確に推定し、複数の視点から画質を反映する性能が向上した。
論文 参考訳（メタデータ） (2024-07-20T22:05:30Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - 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) - 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) - 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) - 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。