論文の概要: Uncertainty Estimation in Contrast-Enhanced MR Image Translation with
Multi-Axis Fusion
- arxiv url: http://arxiv.org/abs/2311.12153v1
- Date: Mon, 20 Nov 2023 20:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 03:10:56.730937
- Title: Uncertainty Estimation in Contrast-Enhanced MR Image Translation with
Multi-Axis Fusion
- Title(参考訳): マルチ軸核融合によるMR画像のコントラスト変換の不確かさ推定
- Authors: Ivo M. Baltruschat, Parvaneh Janbakhshi, Melanie Dohmen, Matthias
Lenga
- Abstract要約: 我々は,新しいモデル不確実性定量化手法であるマルチ軸核融合(MAF)を提案する。
提案手法は,T1,T2,T2-FLAIRスキャンに基づくコントラスト強調T1強調画像の合成に応用される。
- 参考スコア(独自算出の注目度): 6.727287631338148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, deep learning has been applied to a wide range of medical
imaging and image processing tasks. In this work, we focus on the estimation of
epistemic uncertainty for 3D medical image-to-image translation. We propose a
novel model uncertainty quantification method, Multi-Axis Fusion (MAF), which
relies on the integration of complementary information derived from multiple
views on volumetric image data. The proposed approach is applied to the task of
synthesizing contrast enhanced T1-weighted images based on native T1, T2 and
T2-FLAIR scans. The quantitative findings indicate a strong correlation
($\rho_{\text healthy} = 0.89$) between the mean absolute image synthetization
error and the mean uncertainty score for our MAF method. Hence, we consider MAF
as a promising approach to solve the highly relevant task of detecting
synthetization failures at inference time.
- Abstract(参考訳): 近年、深層学習は幅広い医療画像や画像処理タスクに応用されている。
本研究では,3次元医用画像から画像への変換における認識的不確かさの推定に着目する。
本稿では,ボリューム画像データに対する複数視点からの補完的情報の統合に依存する,新しいモデル不確かさ定量化手法である多軸融合(maf)を提案する。
提案手法は,T1,T2,T2-FLAIRスキャンに基づくコントラスト強調T1強調画像の合成に応用される。
定量的な結果から,maf法の平均絶対画像合成誤差と平均不確かさスコアとの間に強い相関(\rho_{\text healthy} = 0.89$)が認められた。
したがって、MAFは、推論時に合成失敗を検出するという非常に関連性の高い課題を解決するための有望なアプローチであると考えている。
関連論文リスト
- Three-Dimensional Medical Image Fusion with Deformable Cross-Attention [10.26573411162757]
マルチモーダル医療画像融合は、医療画像処理のいくつかの領域において重要な役割を担っている。
従来の融合法は、特徴を組み合わせて融合像を再構成する前に、それぞれのモダリティを独立して処理する傾向にある。
本研究では,これらの制限を是正するために設計された,革新的な教師なしの相互学習融合ネットワークを提案する。
論文 参考訳(メタデータ) (2023-10-10T04:10:56Z) - DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。
近赤外可視画像融合と医用画像融合で有望な融合が得られた。
論文 参考訳(メタデータ) (2023-03-13T04:06:42Z) - Paired Image-to-Image Translation Quality Assessment Using Multi-Method
Fusion [0.0]
本稿では,画像品質の信号のペア化と変換を併用して,後者の類似性と仮説的基底真理を推定する手法を提案する。
我々は,深部画像構造とテクスチャ類似性(DISTS)を予測するために,勾配型回帰器のアンサンブルを用いたマルチメソッドフュージョン(MMF)モデルを訓練した。
分析の結果,測定時間と予測精度の間にトレードオフが生じ,特徴制約を課すことが判明した。
論文 参考訳(メタデータ) (2022-05-09T11:05:15Z) - 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) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - Coupled Feature Learning for Multimodal Medical Image Fusion [42.23662451234756]
マルチモーダル画像融合は、取得した画像と異なるセンサーの関連情報を組み合わせることを目指しています。
本稿では,結合辞書学習に基づく新しいマルチモーダル画像融合法を提案する。
論文 参考訳(メタデータ) (2021-02-17T09:13:28Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Bayesian Conditional GAN for MRI Brain Image Synthesis [0.0]
本稿では, 画像合成精度を向上させるため, ベイズ条件生成対向ネットワーク (GAN) をコンクリートドロップアウトで用いることを提案する。
この方法は102名の被験者の脳腫瘍データセットを用いてT1wからT2wのMR画像変換によって検証される。
従来のベイズニューラルネットワークとモンテカルロのドロップアウトを比較すると,提案手法の結果はp値0.0186の相当低いRMSEに達する。
論文 参考訳(メタデータ) (2020-05-25T00:58:23Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-03-15T23:07:56Z) - Visualisation of Medical Image Fusion and Translation for Accurate
Diagnosis of High Grade Gliomas [6.03214216212562]
医用画像融合は2つ以上のモダリティを1つのビューに組み合わせ、医用画像翻訳は新しい画像を合成し、データ拡張を支援する。
これらの手法は悪性グリオーマの診断の迅速化に有効である。
しかし、神経外科医は、術前の外科的決定を行う前に、融合と翻訳結果の信頼性を検証する堅牢な可視化ツールを要求するため、信頼できないかもしれない。
本稿では,2つの画像の連成確率分布を用いて,ソースからターゲット画像への情報伝達を推定することにより,ソースとターゲット画像のペア間の信頼度分布を計算する手法を提案する。
論文 参考訳(メタデータ) (2020-01-26T22:49:14Z)
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。