論文の概要: Harmonizing Flows: Leveraging normalizing flows for unsupervised and source-free MRI harmonization

• arxiv url: http://arxiv.org/abs/2407.15717v1
• Date: Mon, 22 Jul 2024 15:22:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 14:20:51.563973
• Title: Harmonizing Flows: Leveraging normalizing flows for unsupervised and source-free MRI harmonization
• Title（参考訳）: ハーモナイズドフロー: 教師なし・ソースフリーMRIハーモニゼーションのための正規化フローの活用
• Authors: Farzad Beizaee, Gregory A. Lodygensky, Chris L. Adamson, Deanne K. Thompso, Jeanie L. Y. Cheon, Alicia J. Spittl. Peter J. Anderso, Christian Desrosier, Jose Dolz,
• Abstract要約: 本稿では,正規化フローを利用してMR画像を調整し,ソース領域の分布をエミュレートする非教師なしフレームワークを提案する。 提案する戦略は3つの重要なステップから構成される。 我々は、浅層ハーモナイザネットワークをトレーニングし、その拡張によるソースドメインからの画像を再構成する。 推論中、ハーモニザネットワークを更新し、出力画像が学習したソース領域分布に適合することを保証する。
• 参考スコア（独自算出の注目度）: 5.092355794195639
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lack of standardization and various intrinsic parameters for magnetic resonance (MR) image acquisition results in heterogeneous images across different sites and devices, which adversely affects the generalization of deep neural networks. To alleviate this issue, this work proposes a novel unsupervised harmonization framework that leverages normalizing flows to align MR images, thereby emulating the distribution of a source domain. The proposed strategy comprises three key steps. Initially, a normalizing flow network is trained to capture the distribution characteristics of the source domain. Then, we train a shallow harmonizer network to reconstruct images from the source domain via their augmented counterparts. Finally, during inference, the harmonizer network is updated to ensure that the output images conform to the learned source domain distribution, as modeled by the normalizing flow network. Our approach, which is unsupervised, source-free, and task-agnostic is assessed in the context of both adults and neonatal cross-domain brain MRI segmentation, as well as neonatal brain age estimation, demonstrating its generalizability across tasks and population demographics. The results underscore its superior performance compared to existing methodologies. The code is available at https://github.com/farzad-bz/Harmonizing-Flows
• Abstract（参考訳）: 磁気共鳴(MR)画像取得における標準化の欠如と様々な固有のパラメータは、ディープニューラルネットワークの一般化に悪影響を及ぼす、様々な部位やデバイスにまたがる異種画像をもたらす。 この問題を軽減するために, 正規化フローを利用してMR画像の整合を図り, ソース領域の分布をエミュレートする新しい非教師付き調和フレームワークを提案する。 提案する戦略は3つの重要なステップから構成される。 当初、正規化フローネットワークは、ソースドメインの分布特性をキャプチャするために訓練される。 そして、浅層調和器ネットワークをトレーニングし、その拡張処理により、ソースドメインからの画像を再構成する。 最後に、推論中に、正規化フローネットワークによってモデル化された出力画像が学習したソース領域分布に適合するようにハーモニザネットワークを更新する。 本研究のアプローチは, 成人と新生児のクロスドメイン脳MRIセグメント, および新生児の脳年齢推定の文脈において, 教師なし, ソースレス, タスク非依存であり, タスクの一般化性を示すものである。 その結果,既存の手法に比べて優れた性能を示した。 コードはhttps://github.com/farzad-bz/Harmonizing-Flowsで入手できる。

関連論文リスト

• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation [17.150527504559594]
  フーリエ適応正規化(FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netを提案する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-23T06:58:21Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• Harmonizing Flows: Unsupervised MR harmonization based on normalizing flows [14.653608889521875]
  本稿では,MR画像を調和させてソース領域の分布を模倣する正規化フローに基づく教師なしフレームワークを提案する。 浅層調和器ネットワークは、拡張バージョンからソースドメインのイメージを復元するために訓練される。 次に、正規化フローネットワークをトレーニングして、ソースドメインの分布を学習する。 テスト時には、正規化フローモデルで学習したソース領域の分布に出力画像が一致するようにハーモニザネットワークを変更する。
  論文  参考訳（メタデータ） (2023-01-27T06:37:13Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Fine Perceptive GANs for Brain MR Image Super-Resolution in Wavelet Domain [23.23392380531189]
  高分解能(HR)磁気共鳴(MR)画像を生成するために,FP-GAN(Fepceptive Generative Adversarial Network)を提案する。 MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-09T02:09:44Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。