論文の概要: Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models

• arxiv url: http://arxiv.org/abs/2501.12488v1
• Date: Tue, 21 Jan 2025 20:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:28:12.533494
• Title: Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models
• Title（参考訳）: 遺伝的事前学習モデルからの伝達学習を用いた双方向脳画像翻訳
• Authors: Fatima Haimour, Rizik Al-Sayyed, Waleed Mahafza, Omar S. Al-Kadi,
• Abstract要約: 医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。 近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。 本研究では,MR-CT画像翻訳の課題に対して,転送学習を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Brain imaging plays a crucial role in the diagnosis and treatment of various neurological disorders, providing valuable insights into the structure and function of the brain. Techniques such as magnetic resonance imaging (MRI) and computed tomography (CT) enable non-invasive visualization of the brain, aiding in the understanding of brain anatomy, abnormalities, and functional connectivity. However, cost and radiation dose may limit the acquisition of specific image modalities, so medical image synthesis can be used to generate required medical images without actual addition. In the medical domain, where obtaining labeled medical images is labor-intensive and expensive, addressing data scarcity is a major challenge. Recent studies propose using transfer learning to overcome this issue. This involves adapting pre-trained CycleGAN models, initially trained on non-medical data, to generate realistic medical images. In this work, transfer learning was applied to the task of MR-CT image translation and vice versa using 18 pre-trained non-medical models, and the models were fine-tuned to have the best result. The models' performance was evaluated using four widely used image quality metrics: Peak-signal-to-noise-ratio, Structural Similarity Index, Universal Quality Index, and Visual Information Fidelity. Quantitative evaluation and qualitative perceptual analysis by radiologists demonstrate the potential of transfer learning in medical imaging and the effectiveness of the generic pre-trained model. The results provide compelling evidence of the model's exceptional performance, which can be attributed to the high quality and similarity of the training images to actual human brain images. These results underscore the significance of carefully selecting appropriate and representative training images to optimize performance in brain image analysis tasks.
• Abstract（参考訳）: 脳画像は、様々な神経疾患の診断と治療において重要な役割を担い、脳の構造と機能に関する貴重な洞察を提供する。 MRI(MRI)やCT(CT)などの技術は脳の非侵襲的な可視化を可能にし、脳の解剖、異常、機能的接続の理解を支援する。 しかし、コストと放射線線量によって特定の画像モダリティの取得が制限される可能性があるため、医用画像合成は、実際に追加することなく、必要な医療用画像を生成するために使用できる。 医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。 近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。 これは、訓練済みのCycleGANモデルを、当初医療データに基づいてトレーニングし、現実的な医療画像を生成することを含む。 本研究は, MR-CT画像翻訳作業にトランスファーラーニングを適用し, その逆を18種類の事前訓練された非医療モデルを用いて, 最良の結果が得られるように微調整した。 モデルの性能評価には, ピーク信号-ノイズ比, 構造類似度指数, ユニバーサル品質指数, ビジュアル情報忠実度という4つの画像品質指標を用いた。 放射線医による定量的評価と質的知覚分析は、医用画像における転写学習の可能性と、一般的な事前訓練モデルの有効性を示す。 この結果は、トレーニング画像と実際の人間の脳画像の質と類似性に起因して、モデルが異常なパフォーマンスを示す説得力のある証拠となる。 これらの結果は、脳画像解析タスクのパフォーマンスを最適化するために、適切なトレーニングイメージと代表的なトレーニングイメージを慎重に選択することの重要性を浮き彫りにした。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• 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)
• Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation [17.46080957271494]
  医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。 自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。 本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T06:39:15Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Harmonization Across Imaging Locations(HAIL): One-Shot Learning for Brain MRI [4.8296943294326145]
  ニューラルスタイルの転送を調和に利用するワンショット学習法を提案する。 試験時には、臨床現場からの1つの画像を用いて、共同現場の強度スケールと一致する画像を生成する。 画像強度を新しい臨床部位に調整しながら, 患者の解剖学を保存するための方法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2023-08-21T21:13:30Z)
• Pick the Best Pre-trained Model: Towards Transferability Estimation for Medical Image Segmentation [20.03177073703528]
  転送学習は、難しい医用画像分割タスクのために、ディープニューラルネットワークをトレーニングする上で重要なテクニックである。 医用画像セグメンテーションのための新しい転送可能性推定法を提案する。 医用画像のセグメンテーションにおける転送可能性推定のアルゴリズムを網羅した手法を提案する。
  論文  参考訳（メタデータ） (2023-07-22T01:58:18Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
  コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。 我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。 本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
  論文  参考訳（メタデータ） (2022-01-04T18:27:04Z)
• 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)

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。