論文の概要: DiffKAN-Inpainting: KAN-based Diffusion model for brain tumor inpainting

• arxiv url: http://arxiv.org/abs/2502.16771v1
• Date: Mon, 24 Feb 2025 01:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:37.959161
• Title: DiffKAN-Inpainting: KAN-based Diffusion model for brain tumor inpainting
• Title（参考訳）: DiffKAN-Inpainting: Kan-based Diffusion model for brain tumor inpainting
• Authors: Tianli Tao, Ziyang Wang, Han Zhang, Theodoros N. Arvanitis, Le Zhang,
• Abstract要約: 脳の塗布は、腫瘍組織処理に有効なソリューションを提供するが、難しい。 本研究では,拡散モデルとKolmogorov-Arnold Networksアーキテクチャを融合したDiffKAN-Inpaintingを提案する。 定性的かつ定量的な結果は、最先端の手法と比較して、我々の提案したDiffKAN-InpaintingインペイントがBraTSデータセットをより詳細に、リアルに再構築していることを示している。
• 参考スコア（独自算出の注目度）: 11.9146658587331
• License:
• Abstract: Brain tumors delay the standard preprocessing workflow for further examination. Brain inpainting offers a viable, although difficult, solution for tumor tissue processing, which is necessary to improve the precision of the diagnosis and treatment. Most conventional U-Net-based generative models, however, often face challenges in capturing the complex, nonlinear latent representations inherent in brain imaging. In order to accomplish high-quality healthy brain tissue reconstruction, this work proposes DiffKAN-Inpainting, an innovative method that blends diffusion models with the Kolmogorov-Arnold Networks architecture. During the denoising process, we introduce the RePaint method and tumor information to generate images with a higher fidelity and smoother margin. Both qualitative and quantitative results demonstrate that as compared to the state-of-the-art methods, our proposed DiffKAN-Inpainting inpaints more detailed and realistic reconstructions on the BraTS dataset. The knowledge gained from ablation study provide insights for future research to balance performance with computing cost.
• Abstract（参考訳）: 脳腫瘍は、さらなる検査のために標準的な前処理ワークフローを遅らせる。 脳の塗布は、診断と治療の精度を向上させるために必要となる、腫瘍組織処理の有効な解決策を提供するが、難しい。 しかし、従来のU-Netベースの生成モデルは、脳画像に固有の複雑で非線形な潜伏表現をキャプチャする上で、しばしば課題に直面している。 高品質な正常な脳組織再構築を実現するために、この研究は、拡散モデルとコルモゴロフ・アルノルドネットワークアーキテクチャをブレンドする革新的な方法であるDiffKAN-Inpaintingを提案する。 本稿では,RePaint法と腫瘍情報を導入し,より忠実でスムーズな画像を生成する。 定性的かつ定量的な結果は、最先端の手法と比較して、我々の提案したDiffKAN-InpaintingインペイントがBraTSデータセットをより詳細に、リアルに再構築していることを示している。 アブレーション研究から得られた知識は、パフォーマンスと計算コストのバランスをとるための将来の研究の洞察を提供する。

関連論文リスト

• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• NeuralDiffuser: Neuroscience-inspired Diffusion Guidance for fMRI Visual Reconstruction [25.987801733791986]
  本稿では,主視覚的特徴指導を取り入れたNeuralDiffuserを提案し,勾配の形で詳細な手がかりを提供する。 拡散モデルにおけるボトムアッププロセスの拡張は、視覚刺激を再構成する際に意味的コヒーレンスと詳細忠実性の両方を達成する。
  論文  参考訳（メタデータ） (2024-02-21T13:46:25Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
  The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。 実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。 提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
  論文  参考訳（メタデータ） (2022-11-01T16:48:04Z)
• Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images [1.7328025136996081]
  局所病変の特徴をモデル化するための新しい生成法を提案する。 健康な画像に合成病変を生成し、病理画像から被写体特異的な擬似健康画像を合成することができる。 提案手法は,脳画像分割ネットワークを訓練するための合成画像を生成するデータ拡張モジュールとして利用することができる。
  論文  参考訳（メタデータ） (2022-08-03T15:12:55Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。