論文の概要: Texture-Aware StarGAN for CT data harmonisation
- arxiv url: http://arxiv.org/abs/2503.15058v1
- Date: Wed, 19 Mar 2025 09:50:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-20 15:24:32.228979
- Title: Texture-Aware StarGAN for CT data harmonisation
- Title（参考訳）: CTデータ調和のためのテクスチャ対応StarGAN
- Authors: Francesco Di Feola, Ludovica Pompilio, Cecilia Assolito, Valerio Guarrasi, Paolo Soda,
- Abstract要約: 本稿では,CTデータ調和のためのテクスチャ対応のStarGANを提案する。
本手法では, 異なる空間的, 角的スケールにわたるテクスチャ情報を調和処理に組み込むマルチスケールテクスチャロス関数を提案する。
- 参考スコア（独自算出の注目度）: 0.8714814768600079
- License:
- Abstract: Computed Tomography (CT) plays a pivotal role in medical diagnosis; however, variability across reconstruction kernels hinders data-driven approaches, such as deep learning models, from achieving reliable and generalized performance. To this end, CT data harmonization has emerged as a promising solution to minimize such non-biological variances by standardizing data across different sources or conditions. In this context, Generative Adversarial Networks (GANs) have proved to be a powerful framework for harmonization, framing it as a style-transfer problem. However, GAN-based approaches still face limitations in capturing complex relationships within the images, which are essential for effective harmonization. In this work, we propose a novel texture-aware StarGAN for CT data harmonization, enabling one-to-many translations across different reconstruction kernels. Although the StarGAN model has been successfully applied in other domains, its potential for CT data harmonization remains unexplored. Furthermore, our approach introduces a multi-scale texture loss function that embeds texture information across different spatial and angular scales into the harmonization process, effectively addressing kernel-induced texture variations. We conducted extensive experimentation on a publicly available dataset, utilizing a total of 48667 chest CT slices from 197 patients distributed over three different reconstruction kernels, demonstrating the superiority of our method over the baseline StarGAN.
- Abstract（参考訳）: CT(Computed Tomography)は医療診断において重要な役割を担っているが、再構成カーネル間のばらつきは、深層学習モデルのようなデータ駆動型アプローチを阻害し、信頼性と一般化されたパフォーマンスを達成する。
この目的のために、CTデータの調和化は、異なるソースや条件にまたがるデータの標準化によって、そのような非生物学的な分散を最小化する、有望な解決策として現れてきた。
この文脈では、GAN(Generative Adversarial Networks)は調和のための強力なフレームワークであることが証明され、スタイル変換問題として認識されている。
しかし、GANベースのアプローチは画像内の複雑な関係をキャプチャする際の制限に直面しており、これは効果的な調和に不可欠である。
本研究では,CTデータ調和のための新しいテクスチャ対応StarGANを提案する。
StarGANモデルは、他の領域でうまく適用されているが、CTデータ調和の可能性はまだ明らかにされていない。
さらに,マルチスケールのテクスチャロス関数を導入し,異なる空間スケールと角スケールのテクスチャ情報を調和処理に組み込むことで,カーネルによるテクスチャの変動に効果的に対処する。
48667個の胸部CTスライスを3つの異なる再建核に分散させ,本法をベースラインであるStarGANよりも優れていることを示した。
関連論文リスト
- Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details [0.0]
マルチセンター・ニューロイメージング研究は、サイト間のバッチ差による技術的変動に直面している。
GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための重要な手法である。
我々は神経画像調和のための拡散モデルの有効性を評価した。
論文 参考訳（メタデータ） (2024-09-01T18:54:00Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - InsMix: Towards Realistic Generative Data Augmentation for Nuclei
Instance Segmentation [29.78647170035808]
本稿では,コピック・ペースト・スムース原理に従って,核セグメンテーションのための現実的なデータ拡張手法InsMixを提案する。
具体的には、拡張画像が原子核に関する豪華な情報を取得することができる形態的制約を提案する。
背景の画素冗長性をフル活用するために,背景パッチをランダムにシャッフルする背景摂動法を提案する。
論文 参考訳（メタデータ） (2022-06-30T08:58:05Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-12-23T19:20:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - 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) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - 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。