論文の概要: Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction

• arxiv url: http://arxiv.org/abs/2310.20604v2
• Date: Tue, 28 Nov 2023 08:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 13:30:55.652052
• Title: Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction
• Title（参考訳）: 特徴抽出を用いたサイクロンを用いたCTスキャンからの合成MRI生成
• Authors: Saba Nikbakhsh, Lachin Naghashyar, Morteza Valizadeh, Mehdi Chehel Amirani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.2088888904556123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of radiotherapy, accurate imaging and image registration are of utmost importance for precise treatment planning. Magnetic Resonance Imaging (MRI) offers detailed imaging without being invasive and excels in soft-tissue contrast, making it a preferred modality for radiotherapy planning. However, the high cost of MRI, longer acquisition time, and certain health considerations for patients pose challenges. Conversely, Computed Tomography (CT) scans offer a quicker and less expensive imaging solution. To bridge these modalities and address multimodal alignment challenges, we introduce an approach for enhanced monomodal registration using synthetic MRI images. Utilizing unpaired data, this paper proposes a novel method to produce these synthetic MRI images from CT scans, leveraging CycleGANs and feature extractors. By building upon the foundational work on Cycle-Consistent Adversarial Networks and incorporating advancements from related literature, our methodology shows promising results, outperforming several state-of-the-art methods. The efficacy of our approach is validated by multiple comparison metrics.
• Abstract（参考訳）: 放射線治療の分野では, 正確な画像診断と画像登録が最も重要である。 磁気共鳴イメージング(MRI)は、侵襲的でない詳細な画像を提供し、軟質なコントラストに優れており、放射線治療計画に好適である。 しかし、MRIの高コスト、より長い取得時間、特定の患者に対する健康上の配慮が課題となる。 逆にCT(Computerd Tomography)スキャンは、高速で安価なイメージングソリューションを提供する。 これらのモダリティを橋渡しし,マルチモーダルアライメント問題に対処するために,合成mri画像を用いたモノモーダル登録の強化手法を提案する。 そこで本研究では,CTスキャンからCycleGANと特徴抽出器を利用して合成MRI画像を生成する手法を提案する。 本手法は,Cycle-Consistent Adversarial Networksの基礎研究を基盤として,関連文献の進歩を取り入れることで,有望な成果を示し,いくつかの最先端手法に勝ることを示す。 提案手法の有効性は,複数の比較指標を用いて検証した。

関連論文リスト

• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• Multimodal Deformable Image Registration for Long-COVID Analysis Based on Progressive Alignment and Multi-perspective Loss [0.0]
  長期のCOVIDは、持続的な症状、特に肺障害によって特徴づけられる。 XeMRIからの機能的データとCTからの構造的データを統合することは、包括的な分析と効果的な治療戦略に不可欠である。 本稿では,長期肺CTと陽子密度MRIデータとの整合性に優れた画像登録手法を提案する。
  論文  参考訳（メタデータ） (2024-06-21T14:19:18Z)
• Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
  我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。 具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。 一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
  論文  参考訳（メタデータ） (2024-05-09T05:51:33Z)
• 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)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• 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)
• Dual-cycle Constrained Bijective VAE-GAN For Tagged-to-Cine Magnetic Resonance Image Synthesis [11.697141493937021]
  VAE-GANによるタグ付け-Cine MR画像合成手法を提案する。 このフレームワークは1,768,416,および1,560個の被検非依存のタグ付きMRIとシネMRIを用いて,訓練,検証,および試験を行った。
  論文  参考訳（メタデータ） (2021-01-14T03:27:16Z)

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。