論文の概要: Texture Matching GAN for CT Image Enhancement

• arxiv url: http://arxiv.org/abs/2312.13422v1
• Date: Wed, 20 Dec 2023 20:52:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 16:36:58.332546
• Title: Texture Matching GAN for CT Image Enhancement
• Title（参考訳）: CT画像強調のためのテクスチャマッチングGAN
• Authors: Madhuri Nagare, Gregery T. Buzzard, Charles A. Bouman
• Abstract要約: GAN(Generative Adversarial Network)に基づく手法は、適切なテクスチャを生成することができるが、GANの自然な応用は、不正確な、あるいは非現実的な画像の詳細を導入することができる。 対象のテクスチャにマッチング可能な画像テクスチャを生成しながら,CT画像を強化するテクスチャマッチング生成対向ネットワーク(TMGAN)を提案する。
• 参考スコア（独自算出の注目度）: 3.7077576150308715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNN) are commonly used to denoise and sharpen X-ray computed tomography (CT) images with the goal of reducing patient X-ray dosage while maintaining reconstruction quality. However, naive application of DNN-based methods can result in image texture that is undesirable in clinical applications. Alternatively, generative adversarial network (GAN) based methods can produce appropriate texture, but naive application of GANs can introduce inaccurate or even unreal image detail. In this paper, we propose a texture matching generative adversarial network (TMGAN) that enhances CT images while generating an image texture that can be matched to a target texture. We use parallel generators to separate anatomical features from the generated texture, which allows the GAN to be trained to match the desired texture without directly affecting the underlying CT image. We demonstrate that TMGAN generates enhanced image quality while also producing image texture that is desirable for clinical application.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、再建品質を維持しつつ、患者のX線量を減らすことを目的として、X線CT画像の劣化と鮮明化に一般的に使用される。 しかし, 臨床応用では望ましくない画像テクスチャをDNNに応用することは困難である。 あるいは、GAN(Generative Adversarial Network)ベースの手法は、適切なテクスチャを生成することができるが、GANの自然な応用は、不正確な、あるいは非現実的な画像の詳細を導入することができる。 本稿では,対象のテクスチャにマッチング可能な画像テクスチャを生成しながら,CT画像を強化するテクスチャマッチング生成ネットワーク(TMGAN)を提案する。 並列生成器を用いて,生成したテクスチャから解剖学的特徴を分離する。それによってganは,基礎となるct画像に直接影響することなく,所望のテクスチャにマッチするように訓練できる。 我々は,TMGANが画像の質を向上させると同時に,臨床応用に適した画像テクスチャを生成することを示した。

関連論文リスト

• Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation [2.4113205575263708]
  本稿では,拡散確率モデル(DDPM)を用いて網膜光コヒーレンス断層撮影(OCT)画像を自動的に生成する画像合成手法を提案する。 階層分割の精度を一貫して改善し,様々なニューラルネットワークを用いて検証する。 これらの結果から,網膜CT画像の手動アノテーションの必要性が軽減される可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-09T16:09:24Z)
• Creating Realistic Anterior Segment Optical Coherence Tomography Images using Generative Adversarial Networks [0.0]
  Generative Adversarial Network (GAN) は、高解像度でリアルな前部セグメント光コヒーレンス・トモグラフィ(AS-OCT)画像の作成を目的としている。 我々は,142,628 AS- OCT Bスキャンを用いて,スタイルとウェーブレットをベースとしたGANを訓練した。
  論文  参考訳（メタデータ） (2023-06-24T20:48:00Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
  本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。 セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。 原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
  論文  参考訳（メタデータ） (2022-09-07T17:30:40Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face Reconstruction [76.1612334630256]
  我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。 3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
  論文  参考訳（メタデータ） (2021-05-16T16:35:44Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• 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)
• Lesion Conditional Image Generation for Improved Segmentation of Intracranial Hemorrhage from CT Images [0.0]
  データ拡張のためのCT画像を生成するために,病変条件付きジェネレーティブ・アドバイサル・ネットワークLcGANを提案する。 病変条件画像(segmented mask)は、訓練中にジェネレータとLcGANの判別器の両方に入力される。 完全畳み込みネットワーク(FCN)スコアと曖昧さを用いて画像の品質を定量化する。
  論文  参考訳（メタデータ） (2020-03-30T23:32:54Z)

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。