論文の概要: BlindHarmony: "Blind" Harmonization for MR Images via Flow model
- arxiv url: http://arxiv.org/abs/2305.10732v2
- Date: Wed, 16 Aug 2023 10:39:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 16:51:43.288484
- Title: BlindHarmony: "Blind" Harmonization for MR Images via Flow model
- Title（参考訳）: BlindHarmony:フローモデルによるMR画像の"Blind"高調波化
- Authors: Hwihun Jeong, Heejoon Byun, Dong Un Kang, and Jongho Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.765282368080009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In MRI, images of the same contrast (e.g., T$_1$) from the same subject can
exhibit noticeable differences when acquired using different hardware,
sequences, or scan parameters. These differences in images create a domain gap
that needs to be bridged by a step called image harmonization, to process the
images successfully using conventional or deep learning-based image analysis
(e.g., segmentation). Several methods, including deep learning-based
approaches, have been proposed to achieve image harmonization. However, they
often require datasets from multiple domains for deep learning training and may
still be unsuccessful when applied to images from unseen domains. To address
this limitation, we propose a novel concept called `Blind Harmonization', which
utilizes only target domain data for training but still has the capability to
harmonize images from unseen domains. For the implementation of blind
harmonization, we developed BlindHarmony using an unconditional flow model
trained on target domain data. The harmonized image is optimized to have a
correlation with the input source domain image while ensuring that the latent
vector of the flow model is close to the center of the Gaussian distribution.
BlindHarmony was evaluated on both simulated and real datasets and compared to
conventional methods. BlindHarmony demonstrated noticeable performance on both
datasets, highlighting its potential for future use in clinical settings. The
source code is available at: https://github.com/SNU-LIST/BlindHarmony
- Abstract（参考訳）: MRIでは、同じ被験者の同じコントラスト(例えばT$_1$)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。
これらの画像の違いは、画像調和と呼ばれるステップによってブリッジされる必要がある領域ギャップを生成し、従来のまたは深層学習に基づく画像解析(セグメンテーションなど)を使用して画像の処理を成功させる。
画像調和を実現するために,ディープラーニングに基づくアプローチを含むいくつかの手法が提案されている。
しかし、深層学習トレーニングには複数のドメインからのデータセットを必要とすることが多く、見えないドメインの画像に適用しても失敗する可能性がある。
この制限に対処するために,対象とするドメインデータのみをトレーニングに用いながら,未知のドメインからのイメージを調和させる機能を持つ,"ブラインドハーモナイゼーション"という新しい概念を提案する。
ブラインドハーモニゼーションの実装のために、ターゲットドメインデータに基づいて訓練された非条件フローモデルを用いてBlindHarmonyを開発した。
調和画像は、フローモデルの潜在ベクトルがガウス分布の中心に近いことを保証しつつ、入力源領域画像と相関を持つように最適化される。
blindharmonyはシミュレーションと実データの両方で評価され、従来の方法と比較された。
blindharmonyは両方のデータセットで顕著なパフォーマンスを示し、将来臨床での使用の可能性を強調した。
ソースコードは、https://github.com/SNU-LIST/BlindHarmonyで入手できる。
関連論文リスト
- Image Harmonization using Robust Restricted CDF Matching [0.0]
曲線フィッティングに基づく累積分布関数(CDF)マッチングを用いた画像調和方式を提案する。
画像強度の変換は、他の既知のヒストグラムマッチングアルゴリズムと比較して、非線形であるが、まだ滑らかで弾力的である」。
我々はMRI画像の手法を実証するが、他の種類の画像データに適用できるほど汎用的である。
論文 参考訳（メタデータ） (2024-11-20T12:12:47Z) - DiffHarmony: Latent Diffusion Model Meets Image Harmonization [11.500358677234939]
拡散モデルは画像から画像への翻訳タスクの迅速な開発を促進する。
スクラッチからの微調整事前学習潜伏拡散モデルは計算集約的である。
本稿では,事前学習した潜伏拡散モデルを画像調和タスクに適用し,調和性はあるが曖昧な初期画像を生成する。
論文 参考訳（メタデータ） (2024-04-09T09:05:23Z) - Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - Painterly Image Harmonization in Dual Domains [13.067850524730698]
本稿では,2つのドメイン・ジェネレータと2つのドメイン・ディスクリミネータから構成される画期的調和ネットワークを提案する。
二重領域生成器は空間領域のAdaINモジュールと周波数領域のResFFTモジュールを用いて調和を行う。
二重領域判別器は、各パッチの空間的特徴と周波数特徴に基づいて不調和なパッチを識別し、逆向きにジェネレータの能力を高める。
論文 参考訳（メタデータ） (2022-12-17T11:00:34Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳（メタデータ） (2022-10-26T15:21:39Z) - FRIH: Fine-grained Region-aware Image Harmonization [49.420765789360836]
我々は,FRIH(Fentral-Aware Image Harmonization)のための新しいグローバルな2段階フレームワークを提案する。
提案アルゴリズムは,軽量モデルを用いて,iHarmony4データセット(PSNRは38.19dB)上で最高の性能を実現する。
論文 参考訳（メタデータ） (2022-05-13T04:50:26Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - SSH: A Self-Supervised Framework for Image Harmonization [97.16345684998788]
我々は、編集せずに「自由」な自然画像だけで訓練できる新しい自己改善調和フレームワーク(SSH)を提案する。
提案したSSHは,基準指標,視覚的品質,主観的ユーザスタディにおいて,従来の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-15T19:51:33Z) - Diffusion-Based Representation Learning [65.55681678004038]
教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。
対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。
同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
論文 参考訳（メタデータ） (2021-05-29T09:26:02Z) - Multi-temporal and multi-source remote sensing image classification by
nonlinear relative normalization [17.124438150480326]
emカーネル化により,異なるドメインのデータを非線形に整列する手法を検討する。
我々は,超スペクトルイメージングのためのシャドウイングに不変なモデルを作成する作業に加えて,多時間的および多元的超高分解能分類タスクにおいてkemaのテストに成功した。
論文 参考訳（メタデータ） (2020-12-07T08:46:11Z) - Variational Clustering: Leveraging Variational Autoencoders for Image
Clustering [8.465172258675763]
変分オートエンコーダ(VAE)は、潜在空間におけるデータ分布の学習に自然に役立ちます。
画像のクラスタリングに先立ってガウス混合を用いるVAEに基づく手法を提案する。
提案手法は,画像の潜伏分布と後部を捉える前処理を同時に学習し,データポイント間の識別に役立てる。
論文 参考訳（メタデータ） (2020-05-10T09:34:48Z)
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。