Fugu-MT 論文翻訳(概要): Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details

論文の概要: Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details

arxiv url: http://arxiv.org/abs/2409.00807v1
Date: Sun, 1 Sep 2024 18:54:00 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 09:01:41.263986
Title: Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details
Title（参考訳）: 拡散型マルチドメイン・ニューロイメージング・ハーモニゼーション法と解剖学的詳細の保存
Authors: Haoyu Lan, Bino A. Varghese, Nasim Sheikh-Bahaei, Farshid Sepehrband, Arthur W Toga, Jeiran Choupan,
Abstract要約: マルチセンター・ニューロイメージング研究は、サイト間のバッチ差による技術的変動に直面している。 GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための重要な手法である。我々は神経画像調和のための拡散モデルの有効性を評価した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-center neuroimaging studies face technical variability due to batch differences across sites, which potentially hinders data aggregation and impacts study reliability.Recent efforts in neuroimaging harmonization have aimed to minimize these technical gaps and reduce technical variability across batches. While Generative Adversarial Networks (GAN) has been a prominent method for addressing image harmonization tasks, GAN-harmonized images suffer from artifacts or anatomical distortions. Given the advancements of denoising diffusion probabilistic model which produces high-fidelity images, we have assessed the efficacy of the diffusion model for neuroimaging harmonization. we have demonstrated the diffusion model's superior capability in harmonizing images from multiple domains, while GAN-based methods are limited to harmonizing images between two domains per model. Our experiments highlight that the learned domain invariant anatomical condition reinforces the model to accurately preserve the anatomical details while differentiating batch differences at each diffusion step. Our proposed method has been tested on two public neuroimaging dataset ADNI1 and ABIDE II, yielding harmonization results with consistent anatomy preservation and superior FID score compared to the GAN-based methods. We have conducted multiple analysis including extensive quantitative and qualitative evaluations against the baseline models, ablation study showcasing the benefits of the learned conditions, and improvements in the consistency of perivascular spaces (PVS) segmentation through harmonization.
Abstract（参考訳）: マルチセンター・ニューロイメージング研究は、データ集約を阻害し、研究信頼性に影響を与える可能性のあるサイト間のバッチの違いによる技術的変動に直面しており、近年のニューロイメージング・ハーモニゼーションの取り組みは、これらの技術的ギャップを最小化し、バッチ間の技術的変動を低減することを目的としている。 GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための顕著な手法であるが、GAN調和画像は、アーティファクトや解剖学的歪みに悩まされている。高忠実度画像を生成するデノナイズ拡散確率モデルの進歩を踏まえ,ニューロイメージング・ハーモナイゼーションにおける拡散モデルの有効性を評価した。拡散モデルが複数の領域からの画像を調和させるのに優れていることを示す一方、GANベースの手法はモデル毎に2つの領域間の画像の調和に限られている。実験の結果,学習領域不変な解剖条件は,各拡散過程におけるバッチ差を微分しながら,解剖的詳細を正確に保存するためにモデルを補強することがわかった。提案手法は2つのパブリック・ニューロイメージング・データセットであるADNI1とABIDE IIで試験され,一貫した解剖学的保存と優れたFIDスコアの調和が得られた。本研究は, ベースラインモデルに対する定量的, 質的評価, 学習条件の利点を示すアブレーション研究, ハーモニゼーションによる血管周囲空間(PVS)セグメンテーションの整合性の改善など, 複数の解析を行った。

関連論文リスト

Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
論文参考訳（メタデータ） (2024-11-06T15:43:51Z)
Disentangled Diffusion Autoencoder for Harmonization of Multi-site Neuroimaging Data [2.0431315722693344]
本稿では、画像の特定の側面を制御するために設計された新しい拡散モデルDDAEを紹介する。従来の手法に比べて高分解能・高調波2次元MR画像の生成におけるDDAEの優位性を示す。
論文参考訳（メタデータ） (2024-08-28T16:03:18Z)
StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文参考訳（メタデータ） (2024-08-11T01:22:29Z)
Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
論文参考訳（メタデータ） (2023-10-31T16:51:40Z)
DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
論文参考訳（メタデータ） (2023-05-21T09:21:41Z)
DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-03-19T09:15:45Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文参考訳（メタデータ） (2022-11-22T18:00:03Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。 Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文参考訳（メタデータ） (2020-06-24T18:00:01Z)

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。