論文の概要: Deep Generative Networks for Heterogeneous Augmentation of Cranial
Defects
- arxiv url: http://arxiv.org/abs/2308.04883v1
- Date: Wed, 9 Aug 2023 11:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 14:02:56.693095
- Title: Deep Generative Networks for Heterogeneous Augmentation of Cranial
Defects
- Title(参考訳): 頭蓋骨欠損の異種増強のための深層生成ネットワーク
- Authors: Kamil Kwarciak and Marek Wodzinski
- Abstract要約: 我々は、互換性のある欠陥のある数十万の欠陥頭蓋骨を生成することができることを示した。
生成された頭蓋骨は、実際の医療に対するパーソナライズされた頭蓋インプラントの自動設計を改善する可能性がある。
- 参考スコア(独自算出の注目度): 0.15720523553334917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The design of personalized cranial implants is a challenging and tremendous
task that has become a hot topic in terms of process automation with the use of
deep learning techniques. The main challenge is associated with the high
diversity of possible cranial defects. The lack of appropriate data sources
negatively influences the data-driven nature of deep learning algorithms.
Hence, one of the possible solutions to overcome this problem is to rely on
synthetic data. In this work, we propose three volumetric variations of deep
generative models to augment the dataset by generating synthetic skulls, i.e.
Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP),
WGAN-GP hybrid with Variational Autoencoder pretraining (VAE/WGAN-GP) and
Introspective Variational Autoencoder (IntroVAE). We show that it is possible
to generate dozens of thousands of defective skulls with compatible defects
that achieve a trade-off between defect heterogeneity and the realistic shape
of the skull. We evaluate obtained synthetic data quantitatively by defect
segmentation with the use of V-Net and qualitatively by their latent space
exploration. We show that the synthetically generated skulls highly improve the
segmentation process compared to using only the original unaugmented data. The
generated skulls may improve the automatic design of personalized cranial
implants for real medical cases.
- Abstract(参考訳): パーソナライズされた頭蓋インプラントの設計は、深層学習技術を用いたプロセス自動化という観点でホットな話題となっている、挑戦的で壮大な課題である。
主な課題は、可能性のある頭蓋骨の欠陥の多様性である。
適切なデータソースの欠如は、ディープラーニングアルゴリズムのデータ駆動性に悪影響を及ぼす。
したがって、この問題を克服する可能な解決策の1つは、合成データに依存することである。
本研究では,勾配ペナルティ(wgan-gp),変分オートエンコーダプリトレイン(vae/wgan-gp),イントロスペクティブ変分オートエンコーダ(introvae)を用いたwgan-gpハイブリッド(wgan-gp)の合成頭蓋骨を生成することにより,データセットを増強する深層生成モデルの3つのボリューム変動を提案する。
欠陥不均一性と頭蓋の現実的な形状とのトレードオフを達成できるような、互換性のある欠陥のある数十万の欠陥頭蓋骨を生成することが可能である。
得られた合成データをv-netを用いた欠陥分割により定量的に評価し,潜在空間探査により定性的に評価した。
人工的に生成した頭蓋骨は, 元の未発表データのみを用いた場合に比べて, セグメンテーション過程を高度に改善することを示す。
生成された頭蓋骨は、実際の医療に対するパーソナライズされた頭蓋インプラントの自動設計を改善する可能性がある。
関連論文リスト
- Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。
このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。
その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
論文 参考訳(メタデータ) (2024-07-22T10:31:07Z) - Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。
重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。
また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
論文 参考訳(メタデータ) (2024-06-10T15:34:23Z) - Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。
公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
論文 参考訳(メタデータ) (2024-05-26T10:58:22Z) - Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders [0.12301374769426145]
毎年何千人もの人が頭蓋骨の損傷を負っています。再建手術の前にデザインと製造が必要なパーソナライズされたインプラントが必要です。
この問題は容積形状の完備化として定式化することができ、教師付きイメージセグメンテーション専用のディープニューラルネットワークによって解決される。
本研究では,この問題を解決するために自己教師付きマスク付きオートエンコーダを用いる方法を提案する。
論文 参考訳(メタデータ) (2024-04-19T14:43:43Z) - Can segmentation models be trained with fully synthetically generated
data? [0.39577682622066246]
BrainSPADEは、合成拡散ベースのラベルジェネレータとセマンティックイメージジェネレータを組み合わせたモデルである。
本モデルでは, 興味の病理の有無に関わらず, オンデマンドで完全合成脳ラベルを作成でき, 任意のガイド型MRI画像を生成することができる。
brainSPADE合成データは、実際のデータでトレーニングされたモデルに匹敵するパフォーマンスでセグメンテーションモデルをトレーニングするために使用できる。
論文 参考訳(メタデータ) (2022-09-17T05:24:04Z) - Back to the Roots: Reconstructing Large and Complex Cranial Defects
using an Image-based Statistical Shape Model [0.636460243469043]
頭蓋骨のセグメンテーションマスクに直接構築された統計的形状モデル(SSM)を示す。
頭蓋骨インプラント設計作業におけるSSMの評価を行った結果,手動による手技の補正のみで,大・複雑欠陥の再構築が可能であることが示唆された。
対照的に、CNNベースのアプローチは、大規模なデータ拡張であっても、これらのケースに対する満足度が低いインプラントを失敗または生成する。
論文 参考訳(メタデータ) (2022-04-12T10:58:05Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳(メタデータ) (2021-03-22T05:19:40Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。