論文の概要: Boosting Medical Image Synthesis via Registration-guided Consistency and Disentanglement Learning
- arxiv url: http://arxiv.org/abs/2407.07660v1
- Date: Wed, 10 Jul 2024 13:41:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 16:32:05.836262
- Title: Boosting Medical Image Synthesis via Registration-guided Consistency and Disentanglement Learning
- Title(参考訳): 登録誘導型整合性学習による医用画像合成の強化
- Authors: Chuanpu Li, Zeli Chen, Yiwen Zhang, Liming Zhong, Wei Yang,
- Abstract要約: 本稿では,医用画像合成のためのアンタングル学習を取り入れた登録誘導整合性を提案する。
提案したアーキテクチャは、合成および登録モジュール内でのタスク特異性を促進する。
合成モジュールは、解剖学的構造と様々な形態にまたがる特定のスタイルを分離する能力を持つように設計されている。
- 参考スコア(独自算出の注目度): 7.94146322342852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image synthesis remains challenging due to misalignment noise during training. Existing methods have attempted to address this challenge by incorporating a registration-guided module. However, these methods tend to overlook the task-specific constraints on the synthetic and registration modules, which may cause the synthetic module to still generate spatially aligned images with misaligned target images during training, regardless of the registration module's function. Therefore, this paper proposes registration-guided consistency and incorporates disentanglement learning for medical image synthesis. The proposed registration-guided consistency architecture fosters task-specificity within the synthetic and registration modules by applying identical deformation fields before and after synthesis, while enforcing output consistency through an alignment loss. Moreover, the synthetic module is designed to possess the capability of disentangling anatomical structures and specific styles across various modalities. An anatomy consistency loss is introduced to further compel the synthetic module to preserve geometrical integrity within latent spaces. Experiments conducted on both an in-house abdominal CECT-CT dataset and a publicly available pelvic MR-CT dataset have demonstrated the superiority of the proposed method.
- Abstract(参考訳): 医用画像の合成は、トレーニング中の悪音のため、依然として困難である。
既存の手法では、登録誘導モジュールを組み込むことで、この問題に対処しようとしている。
しかしながら、これらの手法は、合成モジュールと登録モジュールのタスク固有の制約を無視する傾向があり、それによって、登録モジュールの機能に関係なく、トレーニング中に、不整合ターゲット画像と空間的に整合した画像を生成する可能性がある。
そこで本稿では, 医用画像合成のためのアンタングル学習を取り入れた登録誘導整合性を提案する。
提案した登録誘導整合性アーキテクチャは、アライメントロスによる出力整合性を確保しつつ、合成および登録モジュール内でのタスク特異性を向上する。
さらに、合成モジュールは、解剖学的構造と様々な形態をまたがる特定のスタイルを分離する能力を持つように設計されている。
潜在空間内の幾何学的整合性を維持するために合成モジュールをさらに強制するために、解剖学的整合性損失が導入された。
腹腔内CECT-CTデータセットと骨盤内MR-CTデータセットの両方を用いて実験を行い,提案手法の優位性を実証した。
関連論文リスト
- Learning accurate rigid registration for longitudinal brain MRI from synthetic data [5.815333737195539]
モデルは、以前のクロスオブジェクトネットワークよりも正確な剛性変換を推定する。
磁気共鳴画像(MRI)のコントラスト内および横方向の縦方向の登録ペアに頑健に作用する。
論文 参考訳(メタデータ) (2025-01-22T16:52:20Z) - 2D-3D Deformable Image Registration of Histology Slide and Micro-CT with ML-based Initialization [2.1409936129568377]
軟部組織CTの画質は低かったため,組織スライドとmuCTとの相関が困難であった。
本稿では,新しい2D-3Dマルチモーダルデフォルマブル画像登録法を提案する。
論文 参考訳(メタデータ) (2024-10-18T09:51:43Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain
Adaptation [17.10686650166592]
自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるSynthMixを提案する。
GANの敵対的哲学に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。
実際のサンプルと合成サンプルの整列したイメージをコヒーレントに混ぜて、きめ細かい特徴の生成を刺激した。
論文 参考訳(メタデータ) (2023-05-07T01:37:46Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳(メタデータ) (2022-11-24T23:45:01Z) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳(メタデータ) (2022-09-02T16:45:46Z) - Contrastive Image Synthesis and Self-supervised Feature Adaptation for
Cross-Modality Biomedical Image Segmentation [8.772764547425291]
CISFAは、画像ドメインの翻訳と、クロスモーダルなバイオメディカルなイメージセグメンテーションのための教師なしの機能適応に基づいている。
我々は,片側生成モデルを用いて,入力画像のサンプルパッチと対応する合成画像との重み付けパッチワイドコントラスト損失を付加する。
腹腔・全心に対するCTおよびMRI画像を含むセグメンテーションタスクについて検討した。
論文 参考訳(メタデータ) (2022-07-27T01:49:26Z) - Structure-aware Unsupervised Tagged-to-Cine MRI Synthesis with Self
Disentanglement [13.442093381065268]
我々は、入力と合成画像の間の構造的アライメントを明示的に強制することにより、一般的なアドオン構造特徴抽出器を学習する。
具体的には、基礎となる解剖構造と画像のモダリティのアンタングル化を実現するために、新しい入力出力画像パッチ自己学習方式を提案する。
我々は1,768,416,1,560個の被検者非依存スライスタグとシネMRIを用いて、我々のネットワークをトレーニングし、検証し、テストする。
論文 参考訳(メタデータ) (2022-02-25T03:09:46Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。