論文の概要: MRI Scan Synthesis Methods based on Clustering and Pix2Pix

• arxiv url: http://arxiv.org/abs/2312.05176v1
• Date: Fri, 8 Dec 2023 16:59:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 14:39:23.333447
• Title: MRI Scan Synthesis Methods based on Clustering and Pix2Pix
• Title（参考訳）: クラスタリングとPix2Pixに基づくMRIスキャン合成法
• Authors: Giulia Baldini and Melanie Schmidt and Charlotte Z\"aske and Liliana L. Caldeira
• Abstract要約: 欠落したスキャンを合成できるかどうかを検討する。 平均二乗誤差(MSE)を用いて、欠落したスキャンによく似た画像を算出する。 我々は,T2強調スキャンを合成画像で置き換え,腫瘍の同定に関するセグメンテーションを評価する。
• 参考スコア（独自算出の注目度）: 0.38233569758620056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a missing data problem in the context of automatic segmentation methods for Magnetic Resonance Imaging (MRI) brain scans. Usually, automated MRI scan segmentation is based on multiple scans (e.g., T1-weighted, T2-weighted, T1CE, FLAIR). However, quite often a scan is blurry, missing or otherwise unusable. We investigate the question whether a missing scan can be synthesized. We exemplify that this is in principle possible by synthesizing a T2-weighted scan from a given T1-weighted scan. Our first aim is to compute a picture that resembles the missing scan closely, measured by average mean squared error (MSE). We develop/use several methods for this, including a random baseline approach, a clustering-based method and pixel-to-pixel translation method by (Pix2Pix) which is based on conditional GANs. The lowest MSE is achieved by our clustering-based method. Our second aim is to compare the methods with respect to the affect that using the synthesized scan has on the segmentation process. For this, we use a DeepMedic model trained with the four input scan modalities named above. We replace the T2-weighted scan by the synthesized picture and evaluate the segmentations with respect to the tumor identification, using Dice scores as numerical evaluation. The evaluation shows that the segmentation works well with synthesized scans (in particular, with Pix2Pix methods) in many cases.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)脳スキャンにおける自動セグメンテーション手法の文脈において欠落したデータ問題を考える。 通常、自動MRIスキャンセグメンテーションは複数のスキャン(例えば、T1重み、T2重み、T1CE、FLAIR)に基づいている。 しかし、多くの場合、スキャンはぼやけたり、欠けたり、利用できない。 欠落したスキャンを合成できるかどうかについて検討する。 与えられたT1重み付きスキャンからT2重み付きスキャンを合成することで、原則としてこれが可能であることを実証する。 最初の目標は、平均平均二乗誤差(mse)によって測定された、欠落したスキャンによく似た画像を計算することです。 我々は,条件付きGANをベースとしたランダムベースライン手法,クラスタリングに基づく手法,Pix2Pixによる画素間変換手法など,いくつかの手法を開発した。 最も低いMSEはクラスタリング法によって達成される。 第2の目的は,合成スキャンがセグメンテーションプロセスに与える影響について,手法の比較を行うことである。 このために、上記の4つの入力スキャンモードでトレーニングされたDeepMedicモデルを使用します。 そこで,t2強調スキャンを合成画像で置き換え,diceスコアを数値評価として腫瘍識別に関してセグメント化の評価を行った。 評価の結果、セグメンテーションは多くの場合、合成スキャン(特にpix2pix法)でうまく機能することがわかった。

関連論文リスト

• Denoising diffusion-based MRI to CT image translation enables automated spinal segmentation [8.094450260464354]
  本研究は,T1wとT2wのMR画像系列をCT/MRの合計263対のCT画像に変換することを含む。 椎骨登録1回あたりの2つのランドマークは、MRIからCTへの画像と画像の変換を可能にし、すべての未経験のアプローチより優れていた。
  論文  参考訳（メタデータ） (2023-08-18T07:07:15Z)
• Diffusion Models for Contrast Harmonization of Magnetic Resonance Images [0.6965384453064828]
  本研究ではコントラスト調和のための拡散モデルに基づくアプローチを提案する。 多発性硬化症患者18名と健常者22名からなるデータセットを用いて検討した。 解剖学的情報ではなくコントラストだけを変更したいので,本手法では,原画像を用いて画像から画像への変換プロセスを導出する。
  論文  参考訳（メタデータ） (2023-03-14T19:24:23Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction [0.0]
  画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
  論文  参考訳（メタデータ） (2022-04-04T01:45:11Z)
• 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)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Joint super-resolution and synthesis of 1 mm isotropic MP-RAGE volumes from clinical MRI exams with scans of different orientation, resolution and contrast [4.987889348212769]
  コントラスト,解像度,方向の異なる1つ以上の厚いスライススキャンを受信するCNNの訓練方法であるSynthSRを提案する。 提案手法では,ストリッピングやバイアスフィールド補正などの前処理は不要である。
  論文  参考訳（メタデータ） (2020-12-24T17:29:53Z)
• 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)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Convolutional Neural Networks with Intermediate Loss for 3D Super-Resolution of CT and MRI Scans [25.089517950882527]
  3次元CTやMRIの単一画像超解像へのアプローチを提案する。 提案手法は,10層からなる深層畳み込みニューラルネットワーク(CNN)に基づく。 2つのデータベースからのCTとMRIの2次元および3次元超解像の文脈において,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-01-05T23:21:40Z)

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。