Fugu-MT 論文翻訳(概要): Conditional Diffusion Model for Longitudinal Medical Image Generation

論文の概要: Conditional Diffusion Model for Longitudinal Medical Image Generation

arxiv url: http://arxiv.org/abs/2411.05860v1
Date: Thu, 07 Nov 2024 06:44:47 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:11:54.497319
Title: Conditional Diffusion Model for Longitudinal Medical Image Generation
Title（参考訳）: 経時的医用画像生成のための条件拡散モデル
Authors: Duy-Phuong Dao, Hyung-Jeong Yang, Jahae Kim,
Abstract要約: アルツハイマー病はゆっくりと進行し、生物学的因子間の複雑な相互作用を伴う。縦断的医療画像データは、時間とともにこの進歩を捉えることができる。しかし, 患者退院に伴うデータ不足, 不規則な経過観察間隔, 観察期間の変動など, 経時的データが頻繁に発生する。
参考スコア（独自算出の注目度）: 4.649475179575047
License:
Abstract: Alzheimers disease progresses slowly and involves complex interaction between various biological factors. Longitudinal medical imaging data can capture this progression over time. However, longitudinal data frequently encounter issues such as missing data due to patient dropouts, irregular follow-up intervals, and varying lengths of observation periods. To address these issues, we designed a diffusion-based model for 3D longitudinal medical imaging generation using single magnetic resonance imaging (MRI). This involves the injection of a conditioning MRI and time-visit encoding to the model, enabling control in change between source and target images. The experimental results indicate that the proposed method generates higher-quality images compared to other competing methods.
Abstract（参考訳）: アルツハイマー病はゆっくりと進行し、様々な生物学的要因間の複雑な相互作用を伴う。縦断的医療画像データは、時間とともにこの進歩を捉えることができる。しかし, 患者退院に伴うデータ不足, 不規則な経過観察間隔, 観察期間の変動など, 経時的データが頻繁に発生する。これらの課題に対処するため,単磁気共鳴画像(MRI)を用いた3次元縦断的医用画像生成のための拡散モデルを構築した。これは、条件付きMRIとタイムビジットエンコーディングをモデルに注入することで、ソースイメージとターゲットイメージの制御を可能にする。実験結果から,提案手法は他の競合手法と比較して高品質な画像を生成することが示された。

関連論文リスト

Counterfactual MRI Data Augmentation using Conditional Denoising Diffusion Generative Models [0.0]
医用画像の深層学習モデルにおける画像取得パラメータ(IAP)の変動による一般化性とロバスト性の問題患者解剖を変更せずに異なるIAPをシミュレートするMR画像を生成するために, 条件付き縮退拡散生成モデル(cDDGM)を用いた新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-31T11:29:41Z)
Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文参考訳（メタデータ） (2024-08-04T13:09:06Z)
Temporal Evolution of Knee Osteoarthritis: A Diffusion-based Morphing Model for X-ray Medical Image Synthesis [6.014316825270666]
患者の健康な膝と重度のKOAステージ間の中間X線画像の合成を目的とした新しい深層学習モデルを提案する。テストフェーズでは,健常な膝X線に基づいて,KOAX線画像の連続的かつ効果的なシーケンスを生成することができる。提案手法は拡散モジュールと変形モジュールを統合し,X線源画像とターゲット画像との空間的変形の詳細を抽出する。
論文参考訳（メタデータ） (2024-08-01T20:00:18Z)
Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
論文参考訳（メタデータ） (2024-05-14T17:15:28Z)
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)
Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文参考訳（メタデータ） (2023-11-22T05:44:51Z)
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)
Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis [1.1339580074756188]
本稿では,GANの潜在空間に時間的依存を埋め込む新しい共同学習手法を提案する。これにより、監督が限定された連続的、滑らかで高品質な音量データを合成できる。提案手法の有効性を,異なる長さ依存を含む3つのデータセットに対して示す。
論文参考訳（メタデータ） (2023-01-13T10:31:27Z)
SADM: Sequence-Aware Diffusion Model for Longitudinal Medical Image Generation [23.174391810184602]
縦断的医用画像生成のためのシーケンス認識拡散モデル(SADM)を提案する。本手法は,拡散モデルにおける条件付きモジュールとしてシーケンス対応トランスフォーマーを導入することにより,この新しい手法を拡張した。 3次元縦断的医用画像を用いた実験は,ベースラインや代替手法と比較してSADMの有効性を示した。
論文参考訳（メタデータ） (2022-12-16T01:35:27Z)
Diffusion Deformable Model for 4D Temporal Medical Image Generation [47.03842361418344]
3D+t(4D)情報を持つ時間体積画像は、時間動態を統計的に分析したり、病気の進行を捉えるためにしばしば医療画像に使用される。本稿では,ソースボリュームとターゲットボリュームの中間時間ボリュームを生成する新しいディープラーニングモデルを提案する。
論文参考訳（メタデータ） (2022-06-27T13:37:57Z)
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。