論文の概要: Improving Multi-Center Generalizability of GAN-Based Fat Suppression using Federated Learning
- arxiv url: http://arxiv.org/abs/2404.07374v1
- Date: Wed, 10 Apr 2024 22:16:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-12 15:28:21.723216
- Title: Improving Multi-Center Generalizability of GAN-Based Fat Suppression using Federated Learning
- Title(参考訳): フェデレーション学習によるGANに基づく脂肪抑制のマルチセンター一般化性の改善
- Authors: Pranav Kulkarni, Adway Kanhere, Harshita Kukreja, Vivian Zhang, Paul H. Yi, Vishwa S. Parekh,
- Abstract要約: 非FSプロトン密度配列から脂肪抑制(FS)MRIを合成するGAN(Generative Adversarial Network)は、膝関節MRIの獲得を加速する可能性がある。
フェデレートされた学習は、プライバシー保護型多施設共同作業を容易にしながら、FS MRIを合成するためのGANのマルチセンター一般化性を向上させ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): 4.010795221981754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Adversarial Network (GAN)-based synthesis of fat suppressed (FS) MRIs from non-FS proton density sequences has the potential to accelerate acquisition of knee MRIs. However, GANs trained on single-site data have poor generalizability to external data. We show that federated learning can improve multi-center generalizability of GANs for synthesizing FS MRIs, while facilitating privacy-preserving multi-institutional collaborations.
- Abstract(参考訳): 非FSプロトン密度配列から脂肪抑制(FS)MRIを合成するGAN(Generative Adversarial Network)は、膝関節MRIの獲得を加速する可能性がある。
しかし、単一サイトデータで訓練されたGANは、外部データに対する一般化性が低い。
フェデレートされた学習は、プライバシー保護型多施設共同作業を容易にしながら、FS MRIを合成するためのGANのマルチセンター一般化性を向上させることができることを示す。
関連論文リスト
- Synthesizing Missing MRI Sequences from Available Modalities using
Generative Adversarial Networks in BraTS Dataset [0.0]
グリオ芽腫は、非常に攻撃的で致命的な脳腫瘍である。
4つの構造体(T1, T1Gd, T2, T2-FLAIR)のMRIシーケンスが常に利用できるとは限らない。
GAN(Generative Adversarial Networks)は、欠落したMRIシーケンスを合成するために用いられる。
論文 参考訳(メタデータ) (2023-10-11T07:27:28Z) - Cross-Modal Synthesis of Structural MRI and Functional Connectivity
Networks via Conditional ViT-GANs [0.8778841570220198]
構造的磁気共鳴画像(sMRI)と機能的ネットワーク接続(FNC)の相互合成は、医用画像では比較的研究されていない。
本研究では、条件付き視覚変換器生成適応ネットワーク(cViT-GAN)を用いて、sMRI入力に基づいてFNCデータを生成する。
論文 参考訳(メタデータ) (2023-09-15T05:03:08Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Federated Pseudo Modality Generation for Incomplete Multi-Modal MRI
Reconstruction [26.994070472726357]
Fed-PMGは、コミュニケーション効率の高い新しいフェデレーション学習フレームワークである。
単一モーダルクライアントごとに欠落したモーダルを復元する擬似モーダル生成機構を提案する。
当社のアプローチは, 許容可能な通信コストの範囲内で, 欠落したモダリティを効果的に達成することができる。
論文 参考訳(メタデータ) (2023-08-20T03:38:59Z) - GA-HQS: MRI reconstruction via a generically accelerated unfolding
approach [14.988694941405575]
画素レベルでの入力の微妙な融合のための2階勾配情報とピラミッドアテンションモジュールを組み込んだGA-HQSアルゴリズムを提案する。
本手法は, 単コイルMRI加速度タスクにおいて, 従来よりも優れている。
論文 参考訳(メタデータ) (2023-04-06T06:21:18Z) - Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。
FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
論文 参考訳(メタデータ) (2023-03-28T17:46:16Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳(メタデータ) (2022-07-07T16:57:21Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳(メタデータ) (2021-03-10T13:05:23Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。