論文の概要: Implicit Neural Representation in Medical Imaging: A Comparative Survey
- arxiv url: http://arxiv.org/abs/2307.16142v1
- Date: Sun, 30 Jul 2023 06:39:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 17:26:27.532538
- Title: Implicit Neural Representation in Medical Imaging: A Comparative Survey
- Title（参考訳）: 医療画像における暗黙的神経表現 : 比較検討
- Authors: Amirali Molaei and Amirhossein Aminimehr and Armin Tavakoli and
Amirhossein Kazerouni and Bobby Azad and Reza Azad and Dorit Merhof
- Abstract要約: Inlicit Neural representations (INR) はシーン再構成やコンピュータグラフィックスにおいて強力なパラダイムとして注目されている。
本調査は,医療画像の分野でのINRモデルの概要を概観することを目的としている。
- 参考スコア（独自算出の注目度）: 3.478921293603811
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implicit neural representations (INRs) have gained prominence as a powerful
paradigm in scene reconstruction and computer graphics, demonstrating
remarkable results. By utilizing neural networks to parameterize data through
implicit continuous functions, INRs offer several benefits. Recognizing the
potential of INRs beyond these domains, this survey aims to provide a
comprehensive overview of INR models in the field of medical imaging. In
medical settings, numerous challenging and ill-posed problems exist, making
INRs an attractive solution. The survey explores the application of INRs in
various medical imaging tasks, such as image reconstruction, segmentation,
registration, novel view synthesis, and compression. It discusses the
advantages and limitations of INRs, highlighting their resolution-agnostic
nature, memory efficiency, ability to avoid locality biases, and
differentiability, enabling adaptation to different tasks. Furthermore, the
survey addresses the challenges and considerations specific to medical imaging
data, such as data availability, computational complexity, and dynamic clinical
scene analysis. It also identifies future research directions and
opportunities, including integration with multi-modal imaging, real-time and
interactive systems, and domain adaptation for clinical decision support. To
facilitate further exploration and implementation of INRs in medical image
analysis, we have provided a compilation of cited studies along with their
available open-source implementations on
\href{https://github.com/mindflow-institue/Awesome-Implicit-Neural-Representations-in-Medical-imaging}.
Finally, we aim to consistently incorporate the most recent and relevant papers
regularly.
- Abstract（参考訳）: Inlicit Neural representations (INR) はシーン再構成やコンピュータグラフィックスにおいて強力なパラダイムとして注目され、顕著な成果を上げている。
ニューラルネットワークを利用して暗黙の連続関数を通じてデータをパラメータ化することで、INRはいくつかの利点を提供する。
これらの領域を超えたINRの可能性を認識し,医療画像の分野でのINRモデルの包括的概要を提供する。
医療環境では、多くの困難かつ不適切な問題が存在し、INRは魅力的な解決策となる。
この調査は、画像再構成、セグメンテーション、登録、新しいビュー合成、圧縮など、様々な医療画像タスクにおけるinrsの適用を探求する。
INRの利点と限界について論じ、その解像度に依存しない性質、メモリ効率、局所性バイアスを避ける能力、および異なるタスクへの適応を可能にする微分可能性を強調した。
さらに,医療画像データに特有の課題と考察,例えば,データの可用性,計算複雑性,ダイナミックな臨床現場分析について考察した。
また、マルチモーダルイメージング、リアルタイムおよびインタラクティブシステムの統合、臨床決定支援のためのドメイン適応など、将来の研究の方向性と機会を特定する。
医用画像解析におけるINRのさらなる探索と実装を容易にするため,我々は引用された研究のまとめと,そのオープンソース実装である \href{https://github.com/mindflow-institue/Awesome-Implicit-Neural-Representations-in-Medical-imaging} について紹介した。
最後に,最新の論文を定期的に取り入れることを目指しています。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - SeCo-INR: Semantically Conditioned Implicit Neural Representations for Improved Medical Image Super-Resolution [25.078280843551322]
Inlicit Neural Representation (INR) は、信号の連続的な表現を学習する能力により、近年ディープラーニングの分野を進歩させている。
医用画像から局所的な先行情報を用いてINRを条件付ける,Semantically Conditioned INR (SeCo-INR) と呼ばれる新しいフレームワークを提案する。
本フレームワークは、医用画像のセマンティックセグメンテーション特徴の連続表現を学習し、それを用いて画像の各セマンティック領域に対して最適なINRを導出する。
論文 参考訳（メタデータ） (2024-09-02T07:45:06Z) - Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Enhance the Image: Super Resolution using Artificial Intelligence in MRI [10.00462384555522]
本章では,MRIの空間分解能向上のためのディープラーニング技術の概要を紹介する。
深層学習に基づくMRI超解像の実現可能性と信頼性に関する課題と今後の展望について論じる。
論文 参考訳（メタデータ） (2024-06-19T15:19:41Z) - HyperFusion: A Hypernetwork Approach to Multimodal Integration of Tabular and Medical Imaging Data for Predictive Modeling [4.44283662576491]
EHRの値と測定値に画像処理を条件付け,臨床画像と表層データを融合させるハイパーネットワークに基づく新しいフレームワークを提案する。
我々は, 単一モダリティモデルと最先端MRI-タブラルデータ融合法の両方に優れることを示す。
論文 参考訳（メタデータ） (2024-03-20T05:50:04Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Pathology-Aware Generative Adversarial Networks for Medical Image
Augmentation [0.22843885788439805]
GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。
この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
論文 参考訳（メタデータ） (2021-06-03T15:08:14Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。