Fugu-MT 論文翻訳(概要): Improving Multi-Center Generalizability of GAN-Based Fat Suppression using Federated Learning

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

Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文参考訳（メタデータ） (2024-09-25T11:14:47Z)
Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文参考訳（メタデータ） (2024-09-21T12:02:47Z)
A Unified Framework for Synthesizing Multisequence Brain MRI via Hybrid Fusion [4.47838172826189]
我々はHF-GAN(Hybrid Fusion GAN)と呼ばれる,マルチシーケンスMR画像の合成のための新しい統合フレームワークを提案する。本稿では,相補的情報と相補的情報との絡み合った抽出を確実にするためのハイブリッド核融合エンコーダを提案する。共通特徴表現は、欠落したMR配列を合成するために、モダリティ注入器を介してターゲット潜在空間に変換される。
論文参考訳（メタデータ） (2024-06-21T08:06:00Z)
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)
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)
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)
Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文参考訳（メタデータ） (2021-10-07T14:03:00Z)
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。