Fugu-MT 論文翻訳(概要): Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks

論文の概要: Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2308.14066v2
Date: Tue, 29 Aug 2023 04:59:41 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 10:52:49.668066
Title: Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks
Title（参考訳）: 半教師付き系列生成逆数ネットワークを用いたバイモーダル医用画像合成
Authors: Xin Yang, Yi Lin, Zhiwei Wang, Xin Li, Kwang-Ting Cheng
Abstract要約: 本稿では,GANと半教師付き学習に基づく双方向医療画像合成手法を提案する。提案手法は, 2つのモードの画像を逐次的に合成する2つの生成モジュールから構成される。視覚的および定量的な結果から,本手法が最先端手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 35.358653509217994
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose a bi-modality medical image synthesis approach based on sequential generative adversarial network (GAN) and semi-supervised learning. Our approach consists of two generative modules that synthesize images of the two modalities in a sequential order. A method for measuring the synthesis complexity is proposed to automatically determine the synthesis order in our sequential GAN. Images of the modality with a lower complexity are synthesized first, and the counterparts with a higher complexity are generated later. Our sequential GAN is trained end-to-end in a semi-supervised manner. In supervised training, the joint distribution of bi-modality images are learned from real paired images of the two modalities by explicitly minimizing the reconstruction losses between the real and synthetic images. To avoid overfitting limited training images, in unsupervised training, the marginal distribution of each modality is learned based on unpaired images by minimizing the Wasserstein distance between the distributions of real and fake images. We comprehensively evaluate the proposed model using two synthesis tasks based on three types of evaluate metrics and user studies. Visual and quantitative results demonstrate the superiority of our method to the state-of-the-art methods, and reasonable visual quality and clinical significance. Code is made publicly available at https://github.com/hustlinyi/Multimodal-Medical-Image-Synthesis.
Abstract（参考訳）: 本稿では,逐次生成型adversarial network (gan) と半教師付き学習に基づく双方向医用画像合成手法を提案する。提案手法は2つの生成モジュールから成り,2つのモダリティの画像を逐次的に合成する。逐次ganの合成順序を自動的に決定するために, 合成複雑性を測定する手法を提案する。より低複雑性のモダリティの画像が最初に合成され、高複雑性のモダリティ画像が後に生成される。シーケンシャルなGANは、半教師付きでエンドツーエンドに訓練されています。教師付きトレーニングでは、実画像と合成画像の再構成損失を明示的に最小化することにより、2つのモダリティの実際の対画像から両モダリティ画像の関節分布を学習する。制限された訓練画像の過剰化を避けるため、教師なし訓練では、実画像と偽画像の分布間のワッサースタイン距離を最小化し、非ペア画像に基づいて各モダリティの限界分布を学習する。提案手法は,3種類の評価指標とユーザ調査に基づいて,2つの合成タスクを用いて総合的に評価する。視覚的および定量的な結果から,本手法が最先端の手法よりも優れていること,合理的な視覚的品質と臨床的意義が示された。コードはhttps://github.com/hustlinyi/Multimodal-Medical-Image-Synthesisで公開されている。

関連論文リスト

SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation [17.10686650166592]
自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるSynthMixを提案する。 GANの敵対的哲学に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。実際のサンプルと合成サンプルの整列したイメージをコヒーレントに混ぜて、きめ細かい特徴の生成を刺激した。
論文参考訳（メタデータ） (2023-05-07T01:37:46Z)
Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。画像合成はラベル変形とラベルから画像への変換からなる。心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文参考訳（メタデータ） (2022-09-09T10:17:49Z)
Unsupervised Medical Image Translation with Adversarial Diffusion Models [0.2770822269241974]
ソース・トゥ・ターゲット・モダリティ変換による画像の欠落の計算は、医用画像プロトコルの多様性を向上させることができる。本稿では, 医用画像翻訳の性能向上のための逆拡散モデルであるSynDiffを提案する。
論文参考訳（メタデータ） (2022-07-17T15:53:24Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
論文参考訳（メタデータ） (2021-11-05T10:53:35Z)
Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文参考訳（メタデータ） (2021-06-29T13:29:18Z)
IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
論文参考訳（メタデータ） (2021-04-13T02:00:24Z)
Multi-Modality Generative Adversarial Networks with Tumor Consistency Loss for Brain MR Image Synthesis [30.64847799586407]
1つのMRモードT2から3つの高品質MRモード(FLAIR, T1, T1ce)を同時に合成する多モード生成対向ネットワーク(MGAN)を提案する。実験結果から, 合成画像の品質は, ベースラインモデル, pix2pixで合成した画像より優れていることがわかった。
論文参考訳（メタデータ） (2020-05-02T21:33:15Z)
Multimodal Image Synthesis with Conditional Implicit Maximum Likelihood Estimation [54.17177006826262]
我々はImplicit Maximum Likelihood Estimation (IMLE)に基づく新しい一般条件画像合成法を開発した。我々は,シーンレイアウトからの単一画像超解像と画像合成という,2つのタスクにおけるマルチモーダル画像合成性能の改善を実証した。
論文参考訳（メタデータ） (2020-04-07T03:06:55Z)
Hi-Net: Hybrid-fusion Network for Multi-modal MR Image Synthesis [143.55901940771568]
マルチモーダルMR画像合成のためのHybrid-fusion Network(Hi-Net)を提案する。当社のHi-Netでは,各モーダリティの表現を学習するために,モーダリティ特化ネットワークを用いている。マルチモーダル合成ネットワークは、潜在表現と各モーダルの階層的特徴を密結合するように設計されている。
論文参考訳（メタデータ） (2020-02-11T08:26:42Z)

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。