論文の概要: Memory-Efficient 3D High-Resolution Medical Image Synthesis Using CRF-Guided GANs

• arxiv url: http://arxiv.org/abs/2503.10899v1
• Date: Thu, 13 Mar 2025 21:31:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:07:38.237602
• Title: Memory-Efficient 3D High-Resolution Medical Image Synthesis Using CRF-Guided GANs
• Title（参考訳）: CRF誘導ガンを用いたメモリ効率3次元高分解能医用画像合成
• Authors: Mahshid Shiri, Alessandro Bruno, Daniele Loiacono,
• Abstract要約: 本稿では、条件付きランダムフィールド(CRF)を用いて依存関係をモデル化する、エンドツーエンドの新しいGANアーキテクチャを提案する。 私たちのアーキテクチャは、メモリ使用量が少なく、複雑さも少ないが、最先端のアーキテクチャよりも優れています。
• 参考スコア（独自算出の注目度）: 47.873227167456136
• License:
• Abstract: Generative Adversarial Networks (GANs) have many potential medical imaging applications. Due to the limited memory of Graphical Processing Units (GPUs), most current 3D GAN models are trained on low-resolution medical images, these models cannot scale to high-resolution or are susceptible to patchy artifacts. In this work, we propose an end-to-end novel GAN architecture that uses Conditional Random field (CRF) to model dependencies so that it can generate consistent 3D medical Images without exploiting memory. To achieve this purpose, the generator is divided into two parts during training, the first part produces an intermediate representation and CRF is applied to this intermediate representation to capture correlations. The second part of the generator produces a random sub-volume of image using a subset of the intermediate representation. This structure has two advantages: first, the correlations are modeled by using the features that the generator is trying to optimize. Second, the generator can generate full high-resolution images during inference. Experiments on Lung CTs and Brain MRIs show that our architecture outperforms state-of-the-art while it has lower memory usage and less complexity.
• Abstract（参考訳）: Generative Adversarial Networks (GANs) は医療画像の応用に多くの可能性を持っている。 グラフィカル・プロセッシング・ユニット(GPU)のメモリが限られているため、現在の3D GANモデルは低解像度の医療画像で訓練されている。 本研究では,CRF(Conditional Random Field)を用いて,メモリを利用せずに一貫した3次元医用画像を生成する,エンドツーエンドの新規なGANアーキテクチャを提案する。 この目的を達成するため、訓練中にジェネレータを2つに分割し、第1部は中間表現を生成し、この中間表現にCRFを適用して相関を捕捉する。 生成装置の第2部は、中間表現のサブセットを用いて画像のランダムなサブボリュームを生成する。 この構造には2つの利点がある: まず、相関はジェネレータが最適化しようとしている機能を使ってモデル化される。 第2に、推論中に全高解像度画像を生成することができる。 肺CTと脳MRIの実験では、私たちのアーキテクチャは、メモリ使用量が少なく、複雑さが低い状態で最先端のアーキテクチャよりも優れていることが示されています。

関連論文リスト

• cWDM: Conditional Wavelet Diffusion Models for Cross-Modality 3D Medical Image Synthesis [1.767791678320834]
  本稿では「BraTS 2024脳MR画像合成チャレンジ」に貢献する。 高分解能ボリュームの対画像変換タスクを解くための条件付きウェーブレット拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-26T08:17:57Z)
• Implicit Neural Representations with Fourier Kolmogorov-Arnold Networks [4.499833362998488]
  入射神経表現(INR)は、複雑な信号の連続的および分解非依存的な表現を提供するためにニューラルネットワークを使用する。 提案したFKANは、第1層のフーリエ級数としてモデル化された学習可能なアクティベーション関数を用いて、タスク固有の周波数成分を効果的に制御し、学習する。 実験結果から,提案したFKANモデルは,最先端の3つのベースラインスキームよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-14T05:53:33Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• GVP: Generative Volumetric Primitives [76.95231302205235]
  本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。 GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。 いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
  論文  参考訳（メタデータ） (2023-03-31T16:50:23Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Learning to Rearrange Voxels in Binary Segmentation Masks for Smooth Manifold Triangulation [0.8968417883198374]
  本稿では,画像の粗い表現生成にのみ深層学習アルゴリズムが責任を負うような,粗大な方法で高解像度画像を再構成できることを提案する。 高分解能な結果を生成するために,粗大出力のボクセル再構成と階層画像合成という2つの新しい手法を提案する。 粗い出力と比較すると、高解像度のものは滑らかな表面三角測量を可能にし、最高品質で3Dプリントできる。
  論文  参考訳（メタデータ） (2021-08-11T15:11:34Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。