論文の概要: MAISY: Motion-Aware Image SYnthesis for Medical Image Motion Correction

• arxiv url: http://arxiv.org/abs/2505.04105v2
• Date: Thu, 08 May 2025 04:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 13:13:47.828954
• Title: MAISY: Motion-Aware Image SYnthesis for Medical Image Motion Correction
• Title（参考訳）: MAISY:医療用画像補正のための運動認識画像合成
• Authors: Andrew Zhang, Hao Wang, Shuchang Ye, Michael Fulham, Jinman Kim,
• Abstract要約: 本研究では、まず動きを特徴付ける動き認識画像合成法(MAISY)を提案する。 胸部CTおよび頭部CTを用いた実験では、我々のモデルは最先端のモデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 11.150364980770675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient motion during medical image acquisition causes blurring, ghosting, and distorts organs, which makes image interpretation challenging. Current state-of-the-art algorithms using Generative Adversarial Network (GAN)-based methods with their ability to learn the mappings between corrupted images and their ground truth via Structural Similarity Index Measure (SSIM) loss effectively generate motion-free images. However, we identified the following limitations: (i) they mainly focus on global structural characteristics and therefore overlook localized features that often carry critical pathological information, and (ii) the SSIM loss function struggles to handle images with varying pixel intensities, luminance factors, and variance. In this study, we propose Motion-Aware Image SYnthesis (MAISY) which initially characterize motion and then uses it for correction by: (a) leveraging the foundation model Segment Anything Model (SAM), to dynamically learn spatial patterns along anatomical boundaries where motion artifacts are most pronounced and, (b) introducing the Variance-Selective SSIM (VS-SSIM) loss which adaptively emphasizes spatial regions with high pixel variance to preserve essential anatomical details during artifact correction. Experiments on chest and head CT datasets demonstrate that our model outperformed the state-of-the-art counterparts, with Peak Signal-to-Noise Ratio (PSNR) increasing by 40%, SSIM by 10%, and Dice by 16%.
• Abstract（参考訳）: 医用画像取得中の患者の動きは、臓器のぼやけ、ゴースト、歪曲を引き起こすため、画像解釈は困難である。 GAN(Generative Adversarial Network)に基づく現状技術アルゴリズムは, 構造類似度指数測定(Structure similarity Index Measure, SSIM)の損失により, 劣化した画像と地上の真実とのマッピングを学習し, 動きのない画像を効果的に生成する。 しかし、我々は以下の制限を特定した。 (i)主にグローバルな構造的特徴に重点を置いており、しばしば重要な病理情報を伝達する局所的特徴を見落としている。 (II)SSIM損失関数は,画素強度,輝度係数,ばらつきの異なる画像を扱うのに苦労する。 本研究では、まず動きを特徴付ける動き認識画像合成法(MAISY)を提案する。 (a)基盤モデルSegment Anything Model(SAM)を利用して、運動人工物が最も発音される解剖学的境界に沿った空間パターンを動的に学習し、 b) 可変選択SSIM(VS-SSIM)損失を導入し, 画素差が大きい空間領域を適応的に強調することにより, アーティファクト修正中に重要な解剖学的詳細を保持する。 胸部CTおよび頭部CTを用いた実験では,我々のモデルは最先端のモデルよりも優れており,Pak Signal-to-Noise Ratio(PSNR)は40%,SSIMは10%,Diceは16%増加した。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
  本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。 画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-08-01T07:35:54Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Data Augmentation For Medical MR Image Using Generative Adversarial Networks [10.525550396457586]
  本研究は,構造類似性損失関数(PGGAN-SSIM)を用いたGANの進行的成長を改善し,画像のぼかし問題とモデル崩壊を解決する。 その結果,PGGAN-SSIMは256×256個の脳腫瘍MR画像を生成することに成功した。
  論文  参考訳（メタデータ） (2021-11-29T01:59:50Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。