論文の概要: 3D Wasserstein generative adversarial network with dense U-Net based discriminator for preclinical fMRI denoising
- arxiv url: http://arxiv.org/abs/2411.19345v1
- Date: Thu, 28 Nov 2024 19:47:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:21:20.966944
- Title: 3D Wasserstein generative adversarial network with dense U-Net based discriminator for preclinical fMRI denoising
- Title(参考訳): U-Netをベースとした高密度判別器を用いた3次元ワッサースタイン生成対向ネットワークによる前臨床的fMRI復調
- Authors: Sima Soltanpour, Arnold Chang, Dan Madularu, Praveen Kulkarni, Craig Ferris, Chris Joslin,
- Abstract要約: 機能的磁気共鳴イメージング(fMRI)は、脳機能の研究に臨床および前臨床で広く用いられている。
デノイングは、あらゆるfMRI分析パイプラインにおける主要な前処理ステップの1つである。
本稿では,3次元高密度U-netを用いた3次元WGANを用いた3次元ワッサースタイン生成逆数ネットワークに基づく構造保存アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.6597195879147555
- License:
- Abstract: Functional magnetic resonance imaging (fMRI) is extensively used in clinical and preclinical settings to study brain function, however, fMRI data is inherently noisy due to physiological processes, hardware, and external noise. Denoising is one of the main preprocessing steps in any fMRI analysis pipeline. This process is challenging in preclinical data in comparison to clinical data due to variations in brain geometry, image resolution, and low signal-to-noise ratios. In this paper, we propose a structure-preserved algorithm based on a 3D Wasserstein generative adversarial network with a 3D dense U-net based discriminator called, 3D U-WGAN. We apply a 4D data configuration to effectively denoise temporal and spatial information in analyzing preclinical fMRI data. GAN-based denoising methods often utilize a discriminator to identify significant differences between denoised and noise-free images, focusing on global or local features. To refine the fMRI denoising model, our method employs a 3D dense U-Net discriminator to learn both global and local distinctions. To tackle potential over-smoothing, we introduce an adversarial loss and enhance perceptual similarity by measuring feature space distances. Experiments illustrate that 3D U-WGAN significantly improves image quality in resting-state and task preclinical fMRI data, enhancing signal-to-noise ratio without introducing excessive structural changes in existing methods. The proposed method outperforms state-of-the-art methods when applied to simulated and real data in a fMRI analysis pipeline.
- Abstract(参考訳): 機能的磁気共鳴画像(fMRI)は脳機能の研究に臨床および臨床の分野で広く用いられているが、fMRIのデータは生理的プロセス、ハードウェア、外的ノイズのために本質的にノイズが多い。
デノイングは、あらゆるfMRI分析パイプラインにおける主要な前処理ステップの1つである。
このプロセスは、脳の幾何学、画像解像度、低信号対雑音比の変動による臨床データと比較した場合、前臨床データでは困難である。
本稿では,3D U-WGANと呼ばれる3D高密度なU-net判別器を用いた3Dワッサースタイン生成逆数ネットワークに基づく構造保存アルゴリズムを提案する。
本研究では4次元データ構成を適用し,時間的・空間的な情報を前臨床的なfMRIデータの解析において効果的に識別する。
GANに基づく分極法は、大域的特徴や局所的特徴に焦点をあてて、識別器を用いて、分極化画像とノイズフリー画像との有意な差異を識別する。
本手法では,fMRIデノナイジングモデルを改良するために,3次元高密度なU-Net判別器を用いて,大域的および局所的な区別を学習する。
過度なスムーシングに対処するために,特徴空間距離を計測することで,対角的損失を導入し,知覚的類似性を高める。
実験により,3次元U-WGANは静止状態およびタスク前臨床fMRIデータの画質を著しく向上し,既存手法の過度な構造変化を伴わずに信号対雑音比を向上することを示した。
提案手法は,fMRI解析パイプラインにおけるシミュレーションおよび実データに適用した場合の最先端手法より優れる。
関連論文リスト
- Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement [20.763457281944834]
ディフュージョン (Di-Fusion) は、後者の拡散ステップと適応サンプリングプロセスを利用する、完全に自己制御された分極法である。
実データおよびシミュレーションデータを用いた実験により, マイクロ構造モデリング, トラクトグラフィー追跡, その他の下流タスクにおいて, ディフュージョンが最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2025-01-23T10:01:33Z) - MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。
拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
論文 参考訳(メタデータ) (2024-12-25T00:55:05Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳(メタデータ) (2024-12-10T15:25:18Z) - M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。
本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。
M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
論文 参考訳(メタデータ) (2024-06-04T12:33:02Z) - A Compact Implicit Neural Representation for Efficient Storage of
Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。
Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
論文 参考訳(メタデータ) (2023-11-30T05:54:37Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - 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) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳(メタデータ) (2022-11-05T10:27:37Z) - Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images
Using a Convolutional Neural Network and Transfer Learning [0.0]
本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を識別する手法を提案する。
提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
論文 参考訳(メタデータ) (2022-06-01T08:14:35Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳(メタデータ) (2021-09-14T09:17:27Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
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。