論文の概要: Attribute Regularized Soft Introspective VAE: Towards Cardiac Attribute
Regularization Through MRI Domains
- arxiv url: http://arxiv.org/abs/2307.12618v2
- Date: Thu, 14 Dec 2023 12:31:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 04:45:06.488715
- Title: Attribute Regularized Soft Introspective VAE: Towards Cardiac Attribute
Regularization Through MRI Domains
- Title（参考訳）: Attribute Regularized Soft Introspective VAE: : MRI領域による心Attribute Regularizationに向けて
- Authors: Maxime Di Folco and Cosmin Bercea and Julia A. Schnabel
- Abstract要約: 我々は,属性正規化損失をSoft-Intro VAEフレームワークに組み込むことで,Attributed Soft Introspective VAE(Attri-SIVAE)を提案する。
種々のスキャナーベンダーや取得センタなど,異なる領域の心臓MRIデータに対する提案手法の評価を行った。
- 参考スコア（独自算出の注目度）: 2.4828003234992666
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep generative models have emerged as influential instruments for data
generation and manipulation. Enhancing the controllability of these models by
selectively modifying data attributes has been a recent focus. Variational
Autoencoders (VAEs) have shown promise in capturing hidden attributes but often
produce blurry reconstructions. Controlling these attributes through different
imaging domains is difficult in medical imaging. Recently, Soft Introspective
VAE leverage the benefits of both VAEs and Generative Adversarial Networks
(GANs), which have demonstrated impressive image synthesis capabilities, by
incorporating an adversarial loss into VAE training. In this work, we propose
the Attributed Soft Introspective VAE (Attri-SIVAE) by incorporating an
attribute regularized loss, into the Soft-Intro VAE framework. We evaluate
experimentally the proposed method on cardiac MRI data from different domains,
such as various scanner vendors and acquisition centers. The proposed method
achieves similar performance in terms of reconstruction and regularization
compared to the state-of-the-art Attributed regularized VAE but additionally
also succeeds in keeping the same regularization level when tested on a
different dataset, unlike the compared method.
- Abstract（参考訳）: 深層生成モデルがデータ生成と操作に影響を与えている。
データ属性を選択的に変更することで、これらのモデルの制御性を高めることが最近注目されている。
変分オートエンコーダ(VAE)は、隠された属性をキャプチャするが、しばしばぼやけた再構成を生成する。
これらの属性を異なる画像領域で制御することは、医用画像では難しい。
近年、ソフトイントロスペクティブvaeは、vae訓練に敵対的損失を組み込むことにより、印象的な画像合成能力を示したvaesとgansの双方の利点を生かしている。
本研究では,属性正規化損失をSoft-Intro VAEフレームワークに組み込むことで,Attributed Soft Introspective VAE(Attri-SIVAE)を提案する。
種々のスキャナーベンダーや取得センタなど,様々な領域の心臓MRIデータに対する提案手法を実験的に評価した。
提案手法は, 従来の正規化vaeと比較して, 再構成と正規化の点で同等の性能を発揮するが, 比較法とは異なり, 異なるデータセット上でテストした場合も同様の正規化レベルを維持することにも成功している。
関連論文リスト
- Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models [0.0]
医用画像の深層学習モデルにおける画像取得パラメータ(IAP)の変動による一般化性とロバスト性の問題
患者解剖を変更せずに異なるIAPをシミュレートするMR画像を生成するために, 条件付き縮退拡散生成モデル(cDDGM)を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T11:29:41Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint
Detection and Invariant Description for Endoscopy [83.4885991036141]
RIDEは回転同変検出と不変記述のための学習に基づく手法である。
内視鏡画像の大規模なキュレーションを自己指導的に行う。
マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
論文 参考訳（メタデータ） (2023-09-18T08:16:30Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Compressed Sensing MRI Reconstruction Regularized by VAEs with
Structured Image Covariance [7.544757765701024]
本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。
可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。
提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
論文 参考訳（メタデータ） (2022-10-26T09:51:49Z) - Attri-VAE: attribute-based, disentangled and interpretable
representations of medical images with variational autoencoders [0.5451140334681147]
本稿では, 属性正規化項を含むVAEアプローチを提案し, 臨床像と医像像の属性を, 生成された潜伏空間の異なる正則化次元に関連付ける。
提案モデルでは, 復元忠実度, ゆがみ, 解釈可能性のトレードオフが良好であり, 最先端のVAE手法よりも優れていた。
論文 参考訳（メタデータ） (2022-03-20T00:19:40Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。