論文の概要: Structurally Consistent MRI Colorization using Cross-modal Fusion Learning
- arxiv url: http://arxiv.org/abs/2412.10452v1
- Date: Thu, 12 Dec 2024 06:40:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:59:38.859350
- Title: Structurally Consistent MRI Colorization using Cross-modal Fusion Learning
- Title（参考訳）: クロスモーダル・フュージョン・ラーニングを用いた構造的一貫したMRIカラー化
- Authors: Mayuri Mathur, Anav Chaudhary, Saurabh Kumar Gupta, Ojaswa Sharma,
- Abstract要約: 本稿では,構造的に一貫した色を音源MRIデータに伝達する新しいアーキテクチャを提案する。
本アーキテクチャは,MRI画像における種々の臓器の安定な色付けのための,葉状切片画像のセグメンテーション意味を融合させる。
我々の実験は、我々のアーキテクチャが既存の手法を超越し、より定量的で質的な結果をもたらすことを示した。
- 参考スコア（独自算出の注目度）: 2.1374208474242815
- License:
- Abstract: Medical image colorization can greatly enhance the interpretability of the underlying imaging modality and provide insights into human anatomy. The objective of medical image colorization is to transfer a diverse spectrum of colors distributed across human anatomy from Cryosection data to source MRI data while retaining the structures of the MRI. To achieve this, we propose a novel architecture for structurally consistent color transfer to the source MRI data. Our architecture fuses segmentation semantics of Cryosection images for stable contextual colorization of various organs in MRI images. For colorization, we neither require precise registration between MRI and Cryosection images, nor segmentation of MRI images. Additionally, our architecture incorporates a feature compression-and-activation mechanism to capture organ-level global information and suppress noise, enabling the distinction of organ-specific data in MRI scans for more accurate and realistic organ-specific colorization. Our experiments demonstrate that our architecture surpasses the existing methods and yields better quantitative and qualitative results.
- Abstract（参考訳）: 医用画像のカラー化は、基礎となる画像モダリティの解釈可能性を大幅に向上させ、人間の解剖学への洞察を与える。
医用画像のカラー化の目的は、ヒト解剖学的に分布する多彩な色のスペクトルを、MRIの構造を維持しながら、画像のソースMRIデータに転送することである。
そこで本研究では,構造的に一貫した色を音源MRIデータに伝達する新しいアーキテクチャを提案する。
本アーキテクチャは,MRI画像における種々の臓器の安定な色付けのための,葉状切片画像のセグメンテーション意味を融合させる。
カラー化には,MRI画像と画像の正確な登録やMRI画像のセグメンテーションは不要である。
さらに,我々のアーキテクチャでは,臓器レベルのグローバル情報を捕捉し,雑音を抑制する機能圧縮・活性化機構を組み込んで,MRIスキャンにおける臓器特異的データの識別を可能にし,より正確で現実的な臓器固有色化を実現している。
我々の実験は、我々のアーキテクチャが既存の手法を超越し、より定量的で質的な結果をもたらすことを示した。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model [0.0]
本研究では,高忠実かつ現実的なMRI画像スライス作成にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いることを検討した。
判別器ネットワークは、生成されたスライスと実際のスライスを区別するが、ジェネレータネットワークは、現実的なMRI画像スライスを合成することを学ぶ。
ジェネレータは、敵のトレーニングアプローチを通じて、実際のMRIデータを忠実に模倣するスライスを生成する能力を向上させる。
論文 参考訳（メタデータ） (2024-04-11T05:06:51Z) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - Disentangled Latent Energy-Based Style Translation: An Image-Level Structural MRI Harmonization Framework [20.269574292365107]
我々は、未ペア画像レベルのMRIハーモニゼーションのための新しいフレームワークを開発する。
a)サイト不変画像生成(SIG)、(b)サイト固有スタイル翻訳(SST)、(c)サイト固有MRI合成(SMS)からなる。
遅延空間における画像生成とスタイル翻訳を両立させることにより、DLESTは効率的なスタイル翻訳を実現することができる。
論文 参考訳（メタデータ） (2024-02-10T03:42:37Z) - 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) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Explainable unsupervised multi-modal image registration using deep
networks [2.197364252030876]
MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。
本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
論文 参考訳（メタデータ） (2023-08-03T19:13:48Z) - 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) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T16:19:07Z) - Reference Based Color Transfer for Medical Volume Rendering [0.0]
CTスキャン、X線、MRI画像などの従来の単色医療画像から解剖学的構造の色のついた3D表現への移行により、医療専門家が貴重な医療情報を抽出する能力がさらに向上する。
グレースケールの医用画像のスタックからカラーボリュームレンダリングを行うために,この手法を拡張した。
論文 参考訳（メタデータ） (2022-10-14T20:14:04Z)
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。