論文の概要: Integrative Variational Autoencoders for Generative Modeling of an Image Outcome with Multiple Input Images

• arxiv url: http://arxiv.org/abs/2402.02734v2
• Date: Fri, 12 Sep 2025 05:11:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.748456
• Title: Integrative Variational Autoencoders for Generative Modeling of an Image Outcome with Multiple Input Images
• Title（参考訳）: 複数入力画像を用いた画像出力生成のための統合的変分オートエンコーダ
• Authors: Bowen Lei, Yeseul Jeon, Rajarshi Guhaniyogi, Aaron Scheffler, Bani Mallick, Alzheimer's Disease Neuroimaging Initiatives,
• Abstract要約: InVA(Integrated Variational Autoencoder)は、ニューロイメージングにおけるイメージ・オン・イメージレグレッションのための最初の階層型VAEフレームワークである。 InVAは構造MRIからコストの高いPETスキャンを正確に予測し、マルチモーダル・ニューロイメージングのための効率的で強力なツールを提供する。
• 参考スコア（独自算出の注目度）: 3.344876046963058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding relationships across multiple imaging modalities is central to neuroimaging research. We introduce the Integrative Variational Autoencoder (InVA), the first hierarchical VAE framework for image-on-image regression in multimodal neuroimaging. Unlike standard VAEs, which are not designed for predictive integration across modalities, InVA models outcome images as functions of both shared and modality-specific features. This flexible, data-driven approach avoids rigid assumptions of classical tensor regression and outperforms conventional VAEs and nonlinear models such as BART. As a key application, InVA accurately predicts costly PET scans from structural MRI, offering an efficient and powerful tool for multimodal neuroimaging.
• Abstract（参考訳）: 複数の画像モダリティ間の関係を理解することは、神経画像研究の中心である。 InVA(Integrated Variational Autoencoder)は,マルチモーダル・ニューロイメージングにおけるイメージ・オン・イメージレグレッションのための,最初の階層的VAEフレームワークである。 モダリティを越えた予測統合を意図しない標準的なVAEとは異なり、InVAは結果イメージを共有機能とモダリティ固有の機能の両方の関数としてモデル化する。 このフレキシブルでデータ駆動のアプローチは、古典的テンソル回帰の厳密な仮定を回避し、従来のVAEやBARTのような非線形モデルよりも優れている。 重要な応用として、InVAは構造MRIからコストの高いPETスキャンを正確に予測し、マルチモーダル・ニューロイメージングのための効率的で強力なツールを提供する。

関連論文リスト

• Bridging the Gap between Synthetic and Authentic Images for Multimodal Machine Translation [51.37092275604371]
  マルチモーダル機械翻訳(MMT)は、ソース文と関連する画像を同時に翻訳の入力とする。 近年の研究では、画像入力のための強力なテキスト・画像生成モデルが提案されている。 しかし、これらのモデルによって生成された合成画像は、実際の画像と比較して異なる分布を辿ることが多い。
  論文  参考訳（メタデータ） (2023-10-20T09:06:30Z)
• Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI Super-resolution and Reconstruction [23.779641808300596]
  最適化アルゴリズムの指導の下で,マルチコントラスト畳み込み辞書(MC-CDic)モデルを提案する。 近似勾配アルゴリズムを用いてモデルを最適化し、反復的なステップを深部CDicモデルに展開する。 実験により,既存のSOTA法に対して提案したMC-CDicモデルの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-03T13:18:59Z)
• Semantic Image Synthesis via Diffusion Models [159.4285444680301]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• 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)
• Variational Inference for Quantifying Inter-observer Variability in Segmentation of Anatomical Structures [12.138198227748353]
  ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。 特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-18T16:33:33Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Audio-to-Image Cross-Modal Generation [0.0]
  クロスモーダル表現学習は、異なるモーダルからの情報を1つの表現に統合することができる。 オーディオデータから画像アーキタイプを再構成するために、可変オートエンコーダ(VAE)を訓練する。 その結果, 生成した画像が相対的に不整合(多様性)である場合でも, 適切な画像分類に欠かせない特徴が保存されていることが示唆された。
  論文  参考訳（メタデータ） (2021-09-27T21:25:31Z)
• 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)
• Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI Image-to-Image Translation [7.8333615755210175]
  本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。 我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
  論文  参考訳（メタデータ） (2020-12-03T09:10:22Z)
• 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)
• CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
  我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。 CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
  論文  参考訳（メタデータ） (2020-06-11T10:51:33Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。