論文の概要: Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings
- arxiv url: http://arxiv.org/abs/2310.10414v1
- Date: Mon, 16 Oct 2023 13:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 14:06:21.412970
- Title: Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings
- Title(参考訳): 微小標本サイズにおける生成的逆ネットワークによる顕微鏡と磁気共鳴画像のスタイル伝達
- Authors: Monika Pytlarz, Adrian Onicas, Alessandro Crimi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.84018914962972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-modal augmentation of Magnetic Resonance Imaging (MRI) and microscopic
imaging based on the same tissue samples is promising because it can allow
histopathological analysis in the absence of an underlying invasive biopsy
procedure. Here, we tested a method for generating microscopic histological
images from MRI scans of the corpus callosum using conditional generative
adversarial network (cGAN) architecture. To our knowledge, this is the first
multimodal translation of the brain MRI to histological volumetric
representation of the same sample. The technique was assessed by training
paired image translation models taking sets of images from MRI scans and
microscopy. The use of cGAN for this purpose is challenging because microscopy
images are large in size and typically have low sample availability. The
current work demonstrates that the framework reliably synthesizes histology
images from MRI scans of corpus callosum, emphasizing the network's ability to
train on high resolution histologies paired with relatively lower-resolution
MRI scans. With the ultimate goal of avoiding biopsies, the proposed tool can
be used for educational purposes.
- Abstract(参考訳): 磁気共鳴画像(MRI)と同じ組織サンプルに基づく顕微鏡像の相互増強は、根底にある侵襲的生検を欠いた病理組織学的解析を可能にするため有望である。
そこで我々は,cGANアーキテクチャを用いて,コーパス・カロサムのMRI画像から微細組織像を生成する方法を検討した。
我々の知る限り、これは脳MRIの同じ標本の組織学的容積表現への最初の多モーダル翻訳である。
この技術は、MRIスキャンと顕微鏡画像から画像の集合を取り出すペア画像翻訳モデルの訓練によって評価された。
この目的でのcganの使用は、顕微鏡画像のサイズが大きく、通常サンプルの可用性が低いため困難である。
現在の研究は、このフレームワークがコーパスカロサムのMRIスキャンから、比較的低分解能MRIスキャンと組み合わせた高分解能ヒストロジーでトレーニングするネットワークの能力を強調し、確実に組織像を合成していることを示している。
生検を避けるという究極の目的から,提案ツールを教育目的に利用することができる。
関連論文リスト
- Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳(メタデータ) (2023-10-31T16:39:56Z) - Conversion Between CT and MRI Images Using Diffusion and Score-Matching
Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。
以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。
本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文 参考訳(メタデータ) (2022-09-24T23:50:54Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z) - Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance
Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。
ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。
画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T23:59:00Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。