Fugu-MT 論文翻訳(概要): Cross-modality image synthesis from TOF-MRA to CTA using diffusion-based models

論文の概要: Cross-modality image synthesis from TOF-MRA to CTA using diffusion-based models

arxiv url: http://arxiv.org/abs/2409.10089v1
Date: Mon, 16 Sep 2024 08:43:37 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 16:09:48.777367
Title: Cross-modality image synthesis from TOF-MRA to CTA using diffusion-based models
Title（参考訳）: 拡散モデルを用いたTOF-MRAからCTAへのクロスモダリティ画像合成
Authors: Alexander Koch, Orhun Utku Aydin, Adam Hilbert, Jana Rieger, Satoru Tanioka, Fujimaro Ishida, Dietmar Frey,
Abstract要約: Computed Tomography Angiography (CTA) と Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) は2つの一般的な非侵襲的血管造影技術である。そこで本研究では,TOF-MRA入力から合成CTA画像を生成するために,拡散に基づく画像から画像への変換モデルを提案する。
参考スコア（独自算出の注目度）: 36.136619420474766
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Cerebrovascular disease often requires multiple imaging modalities for accurate diagnosis, treatment, and monitoring. Computed Tomography Angiography (CTA) and Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) are two common non-invasive angiography techniques, each with distinct strengths in accessibility, safety, and diagnostic accuracy. While CTA is more widely used in acute stroke due to its faster acquisition times and higher diagnostic accuracy, TOF-MRA is preferred for its safety, as it avoids radiation exposure and contrast agent-related health risks. Despite the predominant role of CTA in clinical workflows, there is a scarcity of open-source CTA data, limiting the research and development of AI models for tasks such as large vessel occlusion detection and aneurysm segmentation. This study explores diffusion-based image-to-image translation models to generate synthetic CTA images from TOF-MRA input. We demonstrate the modality conversion from TOF-MRA to CTA and show that diffusion models outperform a traditional U-Net-based approach. Our work compares different state-of-the-art diffusion architectures and samplers, offering recommendations for optimal model performance in this cross-modality translation task.
Abstract（参考訳）: 脳血管疾患は、正確な診断、治療、モニタリングのために複数の画像モダリティを必要とすることが多い。 Computed Tomography Angiography (CTA) と Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) は2つの一般的な非侵襲的血管造影技術である。 CTAは、より速い取得時間と高い診断精度のために急性脳梗塞において広く用いられているが、放射線曝露やコントラスト剤関連健康リスクを避けるため、安全のためにTOF-MRAが好ましい。臨床ワークフローにおけるCTAの主な役割にもかかわらず、オープンソースのCTAデータは不足しており、大血管閉塞検出や動脈瘤セグメンテーションといったタスクのためのAIモデルの研究と開発が制限されている。そこで本研究では,TOF-MRA入力から合成CTA画像を生成するために,拡散に基づく画像から画像への変換モデルを提案する。我々は,TOF-MRAからCTAへのモダリティ変換を実証し,従来のU-Netアプローチよりも拡散モデルの方が優れていることを示す。我々の研究は、異なる最先端の拡散アーキテクチャとサンプルアーキテクチャを比較し、この相互モダリティ変換タスクにおいて最適なモデル性能を推奨する。

関連論文リスト

Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
論文参考訳（メタデータ） (2024-10-05T02:13:57Z)
Cross-conditioned Diffusion Model for Medical Image to Image Translation [22.020931436223204]
医用画像から画像への変換のためのクロスコンディショニング拡散モデル(CDM)を提案する。まず、目的のモダリティの分布をモデル化するためのモダリティ固有表現モデル(MRM)を提案する。そして、MDN(Modality-Decoupled Diffusion Network)を設計し、MRMから効率よく効果的に分布を学習する。
論文参考訳（メタデータ） (2024-09-13T02:48:56Z)
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)
Similarity-aware Syncretic Latent Diffusion Model for Medical Image Translation with Representation Learning [15.234393268111845]
非造影CT(non-contrast CT)は画像のコントラストと解剖学的視認性を低下させ、診断の不確実性を増大させる可能性がある。医用画像翻訳のための潜時拡散モデルに基づく新しいシンプレティック生成モデル(S$2$LDM)を提案する。 S$2$LDMは、シンプレティックエンコーディングと拡散を通じて、異なるモーダル画像の類似性を高め、潜伏空間における重複情報を促進し、対照的に強調された領域でより詳細な医療画像を生成する。
論文参考訳（メタデータ） (2024-06-20T03:54:41Z)
Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文参考訳（メタデータ） (2023-10-31T16:39:56Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
Conversion Between CT and MRI Images Using Diffusion and Score-Matching Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文参考訳（メタデータ） (2022-09-24T23:50:54Z)
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)
A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-01-14T01:39:19Z)
Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。