論文の概要: MaSkel: A Model for Human Whole-body X-rays Generation from Human Masking Images
- arxiv url: http://arxiv.org/abs/2404.09000v1
- Date: Sat, 13 Apr 2024 13:03:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 17:43:54.772384
- Title: MaSkel: A Model for Human Whole-body X-rays Generation from Human Masking Images
- Title（参考訳）: MaSkel:人間のマスキング画像から人体X線を生成するモデル
- Authors: Yingjie Xi, Boyuan Cheng, Jingyao Cai, Jian Jun Zhang, Xiaosong Yang,
- Abstract要約: マスク画像から2次元の人体X線を直接生成することを提案する。
予測された画像は、同じイメージスタイルと解剖学的構造を持つ実際のものに似ている。
高度な生成技術を活用することで、我々のモデルMaSkelは、人間のマスク画像から高品質なX線画像を生成することができる。
- 参考スコア（独自算出の注目度）: 4.477410849696539
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The human whole-body X-rays could offer a valuable reference for various applications, including medical diagnostics, digital animation modeling, and ergonomic design. The traditional method of obtaining X-ray information requires the use of CT (Computed Tomography) scan machines, which emit potentially harmful radiation. Thus it faces a significant limitation for realistic applications because it lacks adaptability and safety. In our work, We proposed a new method to directly generate the 2D human whole-body X-rays from the human masking images. The predicted images will be similar to the real ones with the same image style and anatomic structure. We employed a data-driven strategy. By leveraging advanced generative techniques, our model MaSkel(Masking image to Skeleton X-rays) could generate a high-quality X-ray image from a human masking image without the need for invasive and harmful radiation exposure, which not only provides a new path to generate highly anatomic and customized data but also reduces health risks. To our knowledge, our model MaSkel is the first work for predicting whole-body X-rays. In this paper, we did two parts of the work. The first one is to solve the data limitation problem, the diffusion-based techniques are utilized to make a data augmentation, which provides two synthetic datasets for preliminary pretraining. Then we designed a two-stage training strategy to train MaSkel. At last, we make qualitative and quantitative evaluations of the generated X-rays. In addition, we invite some professional doctors to assess our predicted data. These evaluations demonstrate the MaSkel's superior ability to generate anatomic X-rays from human masking images. The related code and links of the dataset are available at https://github.com/2022yingjie/MaSkel.
- Abstract（参考訳）: 人間の全身X線は、医学診断、デジタルアニメーションモデリング、エルゴノミクスデザインなど、様々な用途に有用な参照を提供することができる。
X線情報を取得する従来の方法はCT(Computed Tomography)スキャンマシンを使用し、潜在的に有害な放射線を放出する。
したがって、適応性と安全性に欠けるため、現実的なアプリケーションには重大な制限に直面します。
本研究では,人間のマスク画像から2次元の人体X線を直接生成する手法を提案する。
予測された画像は、同じイメージスタイルと解剖学的構造を持つ実際のものに似ている。
データ駆動戦略を採用しました。
高度な生成技術を活用することで、我々のモデルMaSkel(スケルトンX線へのマスク画像)は、侵襲的で有害な放射線露光を必要とせずに、人間のマスク画像から高品質なX線画像を生成することができる。
我々の知る限り、我々のモデルMaSkelは全身X線を予測するための最初の研究である。
本稿では,その作業の2つの部分について述べる。
1つ目は、データ制限問題の解決であり、拡散に基づく手法を用いてデータ拡張を行い、予備訓練のための2つの合成データセットを提供する。
そして、MaSkelをトレーニングするための2段階のトレーニング戦略を設計しました。
最終的に、生成したX線を定性的かつ定量的に評価する。
さらに、予測されたデータを評価するために、専門家の医師を招待します。
これらの評価は、マスク画像から解剖学的X線を生成するMaSkelの優れた能力を示している。
関連するコードとデータセットのリンクはhttps://github.com/2022yingjie/MaSkelで公開されている。
関連論文リスト
- Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。
実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文 参考訳（メタデータ） (2024-03-07T00:12:08Z) - CT Reconstruction from Few Planar X-rays with Application towards
Low-resource Radiotherapy [20.353246282326943]
先行データ分布を用いた5次元平面X線観測からCTボリュームを生成する手法を提案する。
臨床に関連のある特徴に焦点をあてるために,本モデルは訓練中に解剖学的指導を活用できる。
本手法は, 標準画素, 構造レベルの基準値から, 近年のスパースCT再建基準値よりも優れている。
論文 参考訳（メタデータ） (2023-08-04T01:17:57Z) - XrayGPT: Chest Radiographs Summarization using Medical Vision-Language
Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳（メタデータ） (2023-06-13T17:59:59Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - What Does DALL-E 2 Know About Radiology? [0.0]
DALL-E 2は、画像のゼロショットテキスト・ツー・イメージ生成、画像の元の境界を超えての継続、要素の削除などの観点から、将来性のあるX線画像の関連表現を学習したことを示す。
したがって、これらのモデルをさらに細調整して各領域に適応させる必要が生じたとしても、生成モデルのラジオロジカルデータの増大と生成は実現可能と考えられる。
論文 参考訳（メタデータ） (2022-09-27T21:15:47Z) - MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware
CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。
本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文 参考訳（メタデータ） (2022-02-02T13:25:23Z) - Improving COVID-19 CXR Detection with Synthetic Data Augmentation [0.0]
我々は,新型コロナウイルス画像データに基づく深層学習モデルを訓練し,そのモデルを病院の胸部X線データ上で評価する。
我々は、このデータに基づいて合成X線画像を生成するために、ジェネレーティブ・アドバイサル・ネットワークを使用している。
論文 参考訳（メタデータ） (2021-12-14T16:42:39Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - End-To-End Convolutional Neural Network for 3D Reconstruction of Knee
Bones From Bi-Planar X-Ray Images [6.645111950779666]
両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳（メタデータ） (2020-04-02T08:37:11Z)
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。