論文の概要: CAVM: Conditional Autoregressive Vision Model for Contrast-Enhanced Brain Tumor MRI Synthesis
- arxiv url: http://arxiv.org/abs/2406.16074v1
- Date: Sun, 23 Jun 2024 10:50:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 19:04:12.792567
- Title: CAVM: Conditional Autoregressive Vision Model for Contrast-Enhanced Brain Tumor MRI Synthesis
- Title(参考訳): CAVM:コントラスト強調脳腫瘍MRI合成のための条件付き自己回帰視覚モデル
- Authors: Lujun Gui, Chuyang Ye, Tianyi Yan,
- Abstract要約: 条件付き自己回帰視覚モデルはコントラスト強調脳腫瘍MRIの合成を改善する。
深層学習法は、非コントラスト画像から仮想コントラスト強調MRIスキャンを合成するために応用されている。
自然言語処理における段階的用量増加とChain-of-Thoughtアプローチの類似性から着想を得たCAVMは、自己回帰戦略を使用する。
- 参考スコア(独自算出の注目度): 3.3966430276631208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrast-enhanced magnetic resonance imaging (MRI) is pivotal in the pipeline of brain tumor segmentation and analysis. Gadolinium-based contrast agents, as the most commonly used contrast agents, are expensive and may have potential side effects, and it is desired to obtain contrast-enhanced brain tumor MRI scans without the actual use of contrast agents. Deep learning methods have been applied to synthesize virtual contrast-enhanced MRI scans from non-contrast images. However, as this synthesis problem is inherently ill-posed, these methods fall short in producing high-quality results. In this work, we propose Conditional Autoregressive Vision Model (CAVM) for improving the synthesis of contrast-enhanced brain tumor MRI. As the enhancement of image intensity grows with a higher dose of contrast agents, we assume that it is less challenging to synthesize a virtual image with a lower dose, where the difference between the contrast-enhanced and non-contrast images is smaller. Thus, CAVM gradually increases the contrast agent dosage and produces higher-dose images based on previous lower-dose ones until the final desired dose is achieved. Inspired by the resemblance between the gradual dose increase and the Chain-of-Thought approach in natural language processing, CAVM uses an autoregressive strategy with a decomposition tokenizer and a decoder. Specifically, the tokenizer is applied to obtain a more compact image representation for computational efficiency, and it decomposes the image into dose-variant and dose-invariant tokens. Then, a masked self-attention mechanism is developed for autoregression that gradually increases the dose of the virtual image based on the dose-variant tokens. Finally, the updated dose-variant tokens corresponding to the desired dose are decoded together with dose-invariant tokens to produce the final contrast-enhanced MRI.
- Abstract(参考訳): 造影MRI(Contrast-enhanced magnetic resonance imaging)は、脳腫瘍の分節と解析のパイプラインにおいて重要である。
ガドリニウムをベースとした造影剤は、最も一般的に使用されるコントラスト剤として高価であり、副作用の可能性がある。
深層学習法は、非コントラスト画像から仮想コントラスト強調MRIスキャンを合成するために応用されている。
しかし、この合成問題は本質的に不適切であるため、これらの手法は高品質な結果を生み出すには不十分である。
本研究ではコントラスト強調脳腫瘍MRIの合成を改善するための条件自動回帰視覚モデル(CAVM)を提案する。
コントラスト剤の高用量で画像強度の増大が進行するにつれて、コントラスト強調画像と非コントラスト画像との差が小さい仮想画像を低用量で合成することが難しくなると仮定する。
これにより、CAVMはコントラスト剤の摂取量を徐々に増加させ、最終的な所望量に到達するまで、以前の低線量画像に基づいて高線量画像を生成する。
自然言語処理における段階的線量増加とChain-of-Thoughtアプローチの類似性から着想を得たCAVMは、分解トークン化器とデコーダを備えた自己回帰戦略を使用する。
具体的には、よりコンパクトな画像表現の計算効率を得るためにトークン化器を適用し、その画像を線量変化および線量不変のトークンに分解する。
次に、自己回帰のためのマスク付き自己認識機構を開発し、線量変化トークンに基づいて、徐々に仮想画像の線量を増加させる。
最後に、所望の用量に対応する更新された用量変動トークンと、用量不変トークンとをデコードして、最終コントラスト強調MRIを生成する。
関連論文リスト
- A Time-Intensity Aware Pipeline for Generating Late-Stage Breast DCE-MRI using Generative Adversarial Models [0.3499870393443268]
組織中のコントラスト剤 (CA) の生物学的挙動を利用した新規な損失関数を提案し, 画素アテンションに基づく生成モデルを最適化した。
従来の正規化法や標準化法とは異なり、複数のタイムスタンプで画像列間のコントラスト拡張パターンを維持する新しい正規化手法を開発した。
論文 参考訳(メタデータ) (2024-09-03T04:31:49Z) - Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models [2.8981737432963506]
DCE-MRI時間系列の時間条件画像合成が可能な潜時拡散モデルを提案する。
以上の結果から,本手法が現実的な多列性脂肪飽和乳房DCE-MRIを生成できることが示唆された。
論文 参考訳(メタデータ) (2024-03-20T18:01:57Z) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2024-03-06T08:35:29Z) - A Deep Learning Approach for Virtual Contrast Enhancement in Contrast
Enhanced Spectral Mammography [1.1129469448121927]
本研究ではコントラスト強調分光マンモグラフィーにおける仮想コントラスト強調のための深部生成モデルを提案する。
我々のディープネットワークは、オートエンコーダと、Pix2PixとCycleGANという2つのジェネレーティブ・アドバイサル・ネットワークから構成されており、低エネルギー画像のみから合成組換え画像を生成する。
論文 参考訳(メタデータ) (2023-08-01T11:49:05Z) - Simulation of Arbitrary Level Contrast Dose in MRI Using an Iterative
Global Transformer Model [0.7269343652807762]
深層学習(DL)によるMRI画像の造影線量減少と除去が推進されている。
しかし、これらのアルゴリズムは高品質な低線量データセットが利用可能であることによって制限されている。
本研究では,任意のコントラスト強調による画像合成において,新しい変換器(Gformer)に基づく反復的モデリング手法を定式化する。
論文 参考訳(メタデータ) (2023-07-22T04:44:57Z) - JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network
for Multi-contrast MRI [49.29851365978476]
提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。
各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
論文 参考訳(メタデータ) (2022-10-22T20:46:56Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-26T01:42:59Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z)
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。