論文の概要: A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of
3D Echocardiography Images using a GAN
- arxiv url: http://arxiv.org/abs/2403.05384v1
- Date: Fri, 8 Mar 2024 15:26:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 13:15:14.850867
- Title: A Data Augmentation Pipeline to Generate Synthetic Labeled Datasets of
3D Echocardiography Images using a GAN
- Title(参考訳): GANを用いた3次元心エコー画像の合成ラベルデータセット生成のためのデータ拡張パイプライン
- Authors: Cristiana Tiago, Andrew Gilbert, Ahmed S. Beela, Svein Arne Aase, Sten
Roar Snare, Jurica Sprem
- Abstract要約: 本研究では,3次元心エコー画像とそれに対応する基底真理ラベルを合成する画像生成パイプラインを提案する。
提案手法は, 心臓の詳細な解剖学的区分を基底真理ラベル源として利用する。
- 参考スコア(独自算出の注目度): 6.0419497882916655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to privacy issues and limited amount of publicly available labeled
datasets in the domain of medical imaging, we propose an image generation
pipeline to synthesize 3D echocardiographic images with corresponding ground
truth labels, to alleviate the need for data collection and for laborious and
error-prone human labeling of images for subsequent Deep Learning (DL) tasks.
The proposed method utilizes detailed anatomical segmentations of the heart as
ground truth label sources. This initial dataset is combined with a second
dataset made up of real 3D echocardiographic images to train a Generative
Adversarial Network (GAN) to synthesize realistic 3D cardiovascular Ultrasound
images paired with ground truth labels. To generate the synthetic 3D dataset,
the trained GAN uses high resolution anatomical models from Computed Tomography
(CT) as input. A qualitative analysis of the synthesized images showed that the
main structures of the heart are well delineated and closely follow the labels
obtained from the anatomical models. To assess the usability of these synthetic
images for DL tasks, segmentation algorithms were trained to delineate the left
ventricle, left atrium, and myocardium. A quantitative analysis of the 3D
segmentations given by the models trained with the synthetic images indicated
the potential use of this GAN approach to generate 3D synthetic data, use the
data to train DL models for different clinical tasks, and therefore tackle the
problem of scarcity of 3D labeled echocardiography datasets.
- Abstract(参考訳): 医用画像の領域におけるプライバシー問題と公開ラベル付きデータセットの限られた量のために、画像生成パイプラインを提案し、3次元心エコー画像と対応する基底真理ラベルを合成し、データ収集の必要性を軽減し、その後のDeep Learning (DL)タスクのために、画像の残酷でエラーを起こしやすいラベル付けを行う。
提案手法は心臓の詳細な解剖学的区分を基底真理ラベル源として利用する。
この初期データセットは、実際の3D心エコー画像からなる第2のデータセットと組み合わせて、生成補助ネットワーク(GAN)をトレーニングし、地上の真理ラベルと組み合わせたリアルな3D心血管超音波画像の合成を行う。
合成3Dデータセットを生成するために、訓練されたGANはCT(Computed Tomography)から高分解能解剖モデルを用いている。
合成画像の定性的解析により, 心臓の主要構造は高度にデライン化され, 解剖学的モデルから得られたラベルに密接に従っていることが明らかとなった。
DLタスクにおけるこれらの合成画像の有用性を評価するため, 左心室, 左心房, 心筋にセグメンテーションアルゴリズムを適用した。
合成画像を用いて訓練したモデルから得られた3次元セグメンテーションの定量的解析は,gan法を用いて3次元合成データを生成する可能性を示し,そのデータを用いて臨床課題のdlモデルの訓練を行い,3次元ラベル付き心エコー図データセットの不足の問題に対処した。
関連論文リスト
- Graph Convolutional Neural Networks for Automated Echocardiography View
Recognition: A Holistic Approach [0.586336038845426]
グラフ畳み込みによる3D心筋メッシュの学習について、同様の手法を用いて、自然な画像から3Dメッシュを学習する。
我々は,3次元メッシュから合成US画像を生成する。
この手法は合成画像に優れた性能をもたらし、合成データにのみ訓練されているにもかかわらず、臨床画像に適用された場合の可能性を既に示していた。
論文 参考訳(メタデータ) (2024-02-29T11:45:24Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Method for Generating Synthetic Data Combining Chest Radiography Images
with Tabular Clinical Information Using Dual Generative Models [0.1884913108327873]
画像データと非画像データを組み合わせた合成ハイブリッド医療記録を作成する新しい手法を提案する。
胸部X線(CXR)と13の非画像的臨床変数を併用した合成記録の作成に成功した。
本手法は,セカンダリデータ利用の可能性を損なうことなく,人工データセットの公開を約束する。
論文 参考訳(メタデータ) (2023-08-15T05:04:04Z) - Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and
GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。
画像合成はラベル変形とラベルから画像への変換からなる。
心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文 参考訳(メタデータ) (2022-09-09T10:17:49Z) - DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method [12.26150675728958]
本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
論文 参考訳(メタデータ) (2022-06-14T20:46:11Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳(メタデータ) (2020-12-04T05:08:53Z) - Tattoo tomography: Freehand 3D photoacoustic image reconstruction with
an optical pattern [49.240017254888336]
光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。
現在の欠点は、従来の2Dプローブによって提供される視野の制限である。
本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
論文 参考訳(メタデータ) (2020-11-10T09:27:56Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image
Decomposition [67.9464567157846]
合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。
実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
論文 参考訳(メタデータ) (2020-06-29T12:53:58Z) - 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) - 4D Semantic Cardiac Magnetic Resonance Image Synthesis on XCAT
Anatomical Model [0.7959841510571622]
心臓磁気共鳴画像(CMR)を3D+tラベルで合成するハイブリッド制御可能な画像生成法を提案する。
本手法は, 解剖学的根拠として, メカニスティック4D eXtended CArdiac Torso (XCAT) 心モデルを用いている。
本研究では、条件付き画像合成にSPADE(State-of-the-the-the-art SPatially Adaptive De-normalization)技術を用いる。
論文 参考訳(メタデータ) (2020-02-17T17:25:07Z)
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。