論文の概要: Unsupervised Decomposition Networks for Bias Field Correction in MR Image

• arxiv url: http://arxiv.org/abs/2307.16219v1
• Date: Sun, 30 Jul 2023 12:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 16:58:43.292052
• Title: Unsupervised Decomposition Networks for Bias Field Correction in MR Image
• Title（参考訳）: MR画像におけるバイアス場補正のための教師なし分解ネットワーク
• Authors: Dong Liang, Xingyu Qiu, Kuanquan Wang, Gongning Luo, Wei Wang, Yashu Liu
• Abstract要約: バイアスのないMR画像を得るための教師なし分解ネットワークを提案する。 ネットワークは、各クラスに属する各画素の確率を予測するセグメンテーション部と、バイアス場を算出する推定部とから構成される。 ロス関数はバイアス場の滑らかさを導入し、一貫性内制約の下で異なるクラス間のソフトな関係を構築する。
• 参考スコア（独自算出の注目度）: 8.455313304871876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bias field, which is caused by imperfect MR devices or imaged objects, introduces intensity inhomogeneity into MR images and degrades the performance of MR image analysis methods. Many retrospective algorithms were developed to facilitate the bias correction, to which the deep learning-based methods outperformed. However, in the training phase, the supervised deep learning-based methods heavily rely on the synthesized bias field. As the formation of the bias field is extremely complex, it is difficult to mimic the true physical property of MR images by synthesized data. While bias field correction and image segmentation are strongly related, the segmentation map is precisely obtained by decoupling the bias field from the original MR image, and the bias value is indicated by the segmentation map in reverse. Thus, we proposed novel unsupervised decomposition networks that are trained only with biased data to obtain the bias-free MR images. Networks are made up of: a segmentation part to predict the probability of every pixel belonging to each class, and an estimation part to calculate the bias field, which are optimized alternately. Furthermore, loss functions based on the combination of fuzzy clustering and the multiplicative bias field are also devised. The proposed loss functions introduce the smoothness of bias field and construct the soft relationships among different classes under intra-consistency constraints. Extensive experiments demonstrate that the proposed method can accurately estimate bias fields and produce better bias correction results. The code is available on the link: https://github.com/LeongDong/Bias-Decomposition-Networks.
• Abstract（参考訳）: 不完全なMRデバイスや画像オブジェクトによって引き起こされるバイアス場は、MR画像に強度不均一を導入し、MR画像解析法の性能を低下させる。 多くの振り返りアルゴリズムがバイアス補正を促進するために開発され、深層学習に基づく手法の性能が向上した。 しかし、学習段階において、教師付きディープラーニングベースの手法は、合成バイアス場に大きく依存する。 バイアス場の形成は非常に複雑であるため、合成データによりMR画像の真の物理的特性を模倣することは困難である。 バイアス場補正と画像セグメンテーションは強く関連しているが、このセグメンテーションマップは元のMR画像からバイアス場を分離して精度良く得られ、逆のセグメンテーションマップによってバイアス値が示される。 そこで我々は,バイアスのないmr画像を得るために,バイアスデータのみをトレーニングした新しい教師なし分解ネットワークを提案する。 ネットワークは、各クラスに属する各画素の確率を予測するセグメンテーション部と、交互に最適化されたバイアス場を算出する推定部とから構成される。 さらに,ファジィクラスタリングと乗法バイアス場の組み合わせに基づく損失関数も考案した。 提案する損失関数は, バイアス場の滑らかさを導入し, 異なるクラス間のソフトな関係を, 一貫性内制約下で構築する。 広範な実験により,提案手法はバイアス場を正確に推定し,より良いバイアス補正結果が得られることを示した。 コードはリンクで入手できる。 https://github.com/LeongDong/Bias-Decomposition-Networks。

関連論文リスト

• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• BiaSwap: Removing dataset bias with bias-tailored swapping augmentation [20.149645246997668]
  ディープニューラルネットワークは、データセット固有のスプリットな相関に基づいて決定することが多く、偏りのないデータ分布を一般化することができない。 本稿では,バイアスタイプの監督を必要とせず,非バイアス表現を学習するための,バイアス調整強化に基づく新しいアプローチBiaSwapを提案する。
  論文  参考訳（メタデータ） (2021-08-23T08:35:26Z)
• Mixing-AdaSIN: Constructing a de-biased dataset using Adaptive Structural Instance Normalization and texture Mixing [6.976822832216875]
  本論文では,生成モデルを用いたバイアス低減手法であるMixing-AdaSINを提案する。 本手法の有効性を示すため,細菌性肺炎データセットに対するバイアス付きCOVID-19を構築した。
  論文  参考訳（メタデータ） (2021-03-26T04:40:14Z)
• Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals [27.539001365348906]
  本稿では、逆学習推論(ALI)の改良版に構造因果モデル(SCM)を組み込むことにより、逆ファクトアルを生成する方法を提案する。 本稿では,事前学習された機械学習分類器の説明方法を示し,そのバイアスを評価し,そのバイアスを正則化器を用いて緩和する方法について述べる。
  論文  参考訳（メタデータ） (2020-09-17T13:19:31Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Joint reconstruction and bias field correction for undersampled MR imaging [7.409376558513677]
  k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。 ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。 本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-26T12:58:34Z)

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。