論文の概要: BrainVoxGen: Deep learning framework for synthesis of Ultrasound to MRI
- arxiv url: http://arxiv.org/abs/2310.08608v1
- Date: Wed, 11 Oct 2023 20:37:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 16:14:35.434452
- Title: BrainVoxGen: Deep learning framework for synthesis of Ultrasound to MRI
- Title(参考訳): BrainVoxGen:MRIへの超音波合成のためのディープラーニングフレームワーク
- Authors: Shubham Singh, Dr. Mrunal Bewoor, Ammar Ranapurwala, Satyam Rai,
Sheetal Patil
- Abstract要約: 本研究では,脳の3次元超音波画像から3次元MRIボリュームを合成することを目的としたディープラーニングフレームワークを提案する。
このプロセスでは、超音波の3DボリュームをUNETジェネレータとパッチ識別器に入力し、対応するMRIの3Dボリュームを生成する。
- 参考スコア(独自算出の注目度): 3.1998815025767033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study presents a deep learning framework aimed at synthesizing 3D MRI
volumes from three-dimensional ultrasound images of the brain utilizing the
Pix2Pix GAN model. The process involves inputting a 3D volume of ultrasounds
into a UNET generator and patch discriminator, generating a corresponding 3D
volume of MRI. Model performance was evaluated using losses on the
discriminator and generator applied to a dataset of 3D ultrasound and MRI
images. The results indicate that the synthesized MRI images exhibit some
similarity to the expected outcomes. Despite challenges related to dataset
size, computational resources, and technical complexities, the method
successfully generated MRI volume with a satisfactory similarity score meant to
serve as a baseline for further research. It underscores the potential of deep
learning-based volume synthesis techniques for ultrasound to MRI conversion,
showcasing their viability for medical applications. Further refinement and
exploration are warranted for enhanced clinical relevance.
- Abstract(参考訳): Pix2Pix GANモデルを用いた脳の3次元超音波画像から3次元MRIボリュームの合成を目的としたディープラーニングフレームワークを提案する。
このプロセスでは、超音波の3DボリュームをUNETジェネレータとパッチ識別器に入力し、対応するMRIの3Dボリュームを生成する。
3次元超音波画像とMRI画像のデータセットに適用した判別器とジェネレータの損失を用いてモデル性能を評価した。
以上の結果から, 合成MRI画像は期待結果と若干の類似性を示した。
データセットのサイズ、計算資源、技術的複雑さに関連する問題にもかかわらず、この手法は、さらなる研究のベースラインとなるための十分な類似性スコアを持つMRIボリュームをうまく生成した。
超音波からMRIへの変換のための深層学習に基づくボリューム合成技術の可能性を強調し、医療応用の可能性を示す。
さらなる洗練と探索は臨床的関連性を高めるために必要である。
関連論文リスト
- Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D
Brain MRI Synthesis [35.45013834475523]
クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。
現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。
本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
論文 参考訳(メタデータ) (2023-07-19T16:01:09Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳(メタデータ) (2023-02-24T15:26:31Z) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳(メタデータ) (2022-10-06T18:23:42Z) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳(メタデータ) (2021-09-23T15:15:21Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Self-Supervised Ultrasound to MRI Fetal Brain Image Synthesis [20.53251934808636]
胎児脳MRI(Fetal brain magnetic resonance imaging)は、発達する脳の精細な画像を提供するが、第2三期異常検診には適さない。
本稿では,臨床用US画像から直接MRライクな画像を生成することを提案する。
提案するモデルは、外部アノテーションを使わずに、エンドツーエンドでトレーニング可能で自己管理できる。
論文 参考訳(メタデータ) (2020-08-19T22:56:36Z) - Neural Architecture Search for Gliomas Segmentation on Multimodal
Magnetic Resonance Imaging [2.66512000865131]
マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。
開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
論文 参考訳(メタデータ) (2020-05-13T14:32:00Z)
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。