論文の概要: AmbientCycleGAN for Establishing Interpretable Stochastic Object Models
Based on Mathematical Phantoms and Medical Imaging Measurements
- arxiv url: http://arxiv.org/abs/2402.01171v1
- Date: Fri, 2 Feb 2024 06:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 16:39:22.924526
- Title: AmbientCycleGAN for Establishing Interpretable Stochastic Object Models
Based on Mathematical Phantoms and Medical Imaging Measurements
- Title（参考訳）: 数学ファントムに基づく解釈確率的物体モデルの構築のためのアンビエントCycleGANと医用画像計測
- Authors: Xichen Xu, Wentao Chen, Weimin Zhou
- Abstract要約: この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。
提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
- 参考スコア（独自算出の注目度）: 4.573310303307945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging systems that are designed for producing diagnostically
informative images should be objectively assessed via task-based measures of
image quality (IQ). Ideally, computation of task-based measures of IQ needs to
account for all sources of randomness in the measurement data, including the
variability in the ensemble of objects to be imaged. To address this need,
stochastic object models (SOMs) that can generate an ensemble of synthesized
objects or phantoms can be employed. Various mathematical SOMs or phantoms were
developed that can interpretably synthesize objects, such as lumpy object
models and parameterized torso phantoms. However, such SOMs that are purely
mathematically defined may not be able to comprehensively capture realistic
object variations. To establish realistic SOMs, it is desirable to use
experimental data. An augmented generative adversarial network (GAN),
AmbientGAN, was recently proposed for establishing SOMs from medical imaging
measurements. However, it remains unclear to which extent the
AmbientGAN-produced objects can be interpretably controlled. This work
introduces a novel approach called AmbientCycleGAN that translates mathematical
SOMs to realistic SOMs by use of noisy measurement data. Numerical studies that
consider clustered lumpy background (CLB) models and real mammograms are
conducted. It is demonstrated that our proposed method can stably establish
SOMs based on mathematical models and noisy measurement data. Moreover, the
ability of the proposed AmbientCycleGAN to interpretably control image features
in the synthesized objects is investigated.
- Abstract（参考訳）: 診断的情報的画像を生成するために設計された医用画像システムは,課題ベースの画像品質測定(IQ)によって客観的に評価されるべきである。
理想的には、IQのタスクベースの測定の計算は、画像化対象のアンサンブルの変動を含む、測定データ中のランダム性のすべての源を考慮する必要がある。
このニーズに対処するために、合成されたオブジェクトやファントムのアンサンブルを生成する確率的オブジェクトモデル(SOM)を用いることができる。
様々な数学的SOMやファントムが開発され、ラムピーオブジェクトモデルやパラメータ化された胴体ファントムなどのオブジェクトを解釈可能に合成できる。
しかし、純粋に数学的に定義されたそのようなSOMは、現実的な物体のバリエーションを包括的に捉えることができないかもしれない。
現実的なSOMを確立するためには,実験データを使うことが望ましい。
医用画像計測によるSOMの確立のために, GAN (AmbientGAN) が最近提案されている。
しかし、アンビエントガンが生成する物体がどの程度制御可能かは、まだ不明である。
この研究はAmbientCycleGANと呼ばれる新しい手法を導入し、ノイズ測定データを用いて数学的SOMを現実的なSOMに変換する。
塊状背景(clb)モデルと実際のマンモグラムを考慮した数値的研究を行った。
提案手法は,数理モデルと雑音測定データに基づいて安定にSOMを確立できることを実証した。
さらに,提案したAmbientCycleGANの合成対象画像の特徴を解釈可能な制御能力について検討した。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。
IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。
我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。
このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文 参考訳（メタデータ） (2023-09-26T08:32:55Z) - Evaluating Procedures for Establishing Generative Adversarial
Network-based Stochastic Image Models in Medical Imaging [10.479865560555199]
GAN(Generative Adversarial Network)は、医療画像のいくつかの領域において非常に有望である。
本研究では, 血管造影画像中の現実的な血管を模擬する標準画像モデル(SIM)を用いて, GANを用いたSIMの確立手順を評価する。
古典的指標と医学的関連指標を用いてGANを評価することにより、トレーニングされたGANの忠実度に関する異なる結論が導かれる可能性がある。
論文 参考訳（メタデータ） (2022-04-07T16:19:01Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Learning stochastic object models from medical imaging measurements by
use of advanced AmbientGANs [7.987904193401004]
GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。
本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2021-06-27T21:46:23Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Advancing the AmbientGAN for learning stochastic object models [7.445527629361621]
対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。
本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)の2つの高度なアンビエントGANアーキテクチャを提案する。
3D ProAmGANが画像計測から3D SOMを学習し、StyAmGANsが合成物の微細なテクスチャを制御できることを実証した。
論文 参考訳（メタデータ） (2021-01-30T18:08:23Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳（メタデータ） (2020-08-18T20:30:47Z) - Learning stochastic object models from medical imaging measurements
using Progressively-Growing AmbientGANs [14.501812971529137]
オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。
良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
論文 参考訳（メタデータ） (2020-05-29T18:45:37Z) - Progressively-Growing AmbientGANs For Learning Stochastic Object Models
From Imaging Measurements [14.501812971529137]
医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。
本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。
医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
論文 参考訳（メタデータ） (2020-01-26T21:33:14Z)
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。