論文の概要: Ambient-Pix2PixGAN for Translating Medical Images from Noisy Data

• arxiv url: http://arxiv.org/abs/2402.01186v1
• Date: Fri, 2 Feb 2024 07:11:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 16:42:14.924546
• Title: Ambient-Pix2PixGAN for Translating Medical Images from Noisy Data
• Title（参考訳）: 雑音データからの医用画像翻訳のためのアンビエントPix2PixGAN
• Authors: Wentao Chen, Xichen Xu, Jie Luo, Weimin Zhou
• Abstract要約: ノイズ測定データを用いて画像から画像への変換を行うための新しいcGANアーキテクチャであるAmbient-Pix2PixGANを提案する。 提案したAmbient-Pix2PixGANはノイズ測定データに基づいて,高画質の変換画像を生成することができることを示す。
• 参考スコア（独自算出の注目度）: 6.5437437384195345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-to-image translation is a common task in computer vision and has been rapidly increasing the impact on the field of medical imaging. Deep learning-based methods that employ conditional generative adversarial networks (cGANs), such as Pix2PixGAN, have been extensively explored to perform image-to-image translation tasks. However, when noisy medical image data are considered, such methods cannot be directly applied to produce clean images. Recently, an augmented GAN architecture named AmbientGAN has been proposed that can be trained on noisy measurement data to synthesize high-quality clean medical images. Inspired by AmbientGAN, in this work, we propose a new cGAN architecture, Ambient-Pix2PixGAN, for performing medical image-to-image translation tasks by use of noisy measurement data. Numerical studies that consider MRI-to-PET translation are conducted. Both traditional image quality metrics and task-based image quality metrics are employed to assess the proposed Ambient-Pix2PixGAN. It is demonstrated that our proposed Ambient-Pix2PixGAN can be successfully trained on noisy measurement data to produce high-quality translated images in target imaging modality.
• Abstract（参考訳）: 画像から画像への翻訳はコンピュータビジョンにおいて一般的な作業であり、医療画像の分野へのインパクトは急速に増大している。 Pix2PixGANのような条件付き生成逆数ネットワーク(cGAN)を用いるディープラーニングベースの手法は、画像から画像への変換タスクを実行するために広く研究されている。 しかし、ノイズの多い医用画像データを考えると、このような手法を直接適用することはできない。 近年,高画質クリーンな医用画像の合成のためにノイズ測定データに基づいてトレーニング可能なAmbientGANという拡張型GANアーキテクチャが提案されている。 本研究では,Ambient-Pix2PixGANを用いて,ノイズ測定データを用いて医用画像から画像への変換処理を行う新しいcGANアーキテクチャであるAmbient-Pix2PixGANを提案する。 MRIからPETへの翻訳を検討する数値的研究を行った。 従来の画像品質指標とタスクベースの画像品質指標の両方を用いて、提案されたAmbient-Pix2PixGANを評価する。 提案したAmbient-Pix2PixGANはノイズ測定データに基づいて,高画質の変換画像を生成することができることを示す。

関連論文リスト

• Transesophageal Echocardiography Generation using Anatomical Models [0.5679566039341877]
  合成TEE画像と対応するセマンティックラベルを生成するパイプラインを開発する。 In the pipeline's unpaired image-to-image (I2I) translation section, we explore two generative methods。 合成画像を用いてデータセットを拡大すると、ダイススコアが最大10%向上する。
  論文  参考訳（メタデータ） (2024-10-09T11:20:28Z)
• A Domain Translation Framework with an Adversarial Denoising Diffusion Model to Generate Synthetic Datasets of Echocardiography Images [0.5999777817331317]
  臨床研究に好適な心エコー画像を作成するための枠組みを提案する。 いくつかのドメイン翻訳操作において、このような生成モデルによって高品質な画像サンプルを合成できることが確認された。
  論文  参考訳（メタデータ） (2024-03-07T15:58:03Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• 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)
• 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)
• GANs for Medical Image Synthesis: An Empirical Study [12.36854197042851]
  GAN(Generative Adversarial Networks)はますます強力になり、心躍るフォトリアリズム画像を生み出しています。 本稿では,医療画像におけるGANのメリットを評価するために,マルチGANおよびマルチアプリケーション研究を行う。
  論文  参考訳（メタデータ） (2021-05-11T19:21:39Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images [50.222197963803644]
  Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。 ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。 我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
  論文  参考訳（メタデータ） (2020-04-16T21:06:49Z)
• A CNN-Based Blind Denoising Method for Endoscopic Images [19.373025463383385]
  低画質の内視鏡画像が多数存在するのは,GI領域の照明や複雑な環境が限られているためである。 本稿では,内視鏡画像のための畳み込み型ブラインドデノイングネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-16T03:11:11Z)

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。