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
- 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) - Synthetic Data Generation for 3D Myocardium Deformation Analysis [6.589305845797262]
心血管画像データセットを充実させるための合成データ生成手法を提案する。
心臓の4次元CTスキャン,パラメータの選択,およびその後のトレーニング用合成データ作成から得られたデータ準備について概説した。
本研究は,高精度な注釈付き高解像度CTデータセットの不足による限界を克服するために貢献する。
論文 参考訳（メタデータ） (2024-06-03T06:40:53Z) - Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。
本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。
3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2024-03-19T15:57:04Z) - 3D Human Reconstruction in the Wild with Synthetic Data Using Generative Models [52.96248836582542]
本稿では,人間の画像とそれに対応する3Dメッシュアノテーションをシームレスに生成できるHumanWildという,最近の拡散モデルに基づく効果的なアプローチを提案する。
生成モデルを排他的に活用することにより,大規模な人体画像と高品質なアノテーションを生成し,実世界のデータ収集の必要性を解消する。
論文 参考訳（メタデータ） (2024-03-17T06:31:16Z) - 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) - 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) - 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) - 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。