擬似健康合成のための病理学的および正規画素の調和【JST・京大機械翻訳】

Zhang Yunlong; Lin Xin; Zhuang Yihong; LiyanSun; Huang Yue; Ding Xinghao; Wang Guisheng; Yang Lin; Yu Yizhou

プレプリント

J-GLOBAL ID：202202212878125764 整理番号：22P0311997

擬似健康合成のための病理学的および正規画素の調和【JST・京大機械翻訳】

Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2022年03月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

病理学的画像からの被験者特異的病理学フリー画像の合成は,アルゴリズム開発と臨床診療にとって貴重である。近年,Generative Adversarial Network(GAN)に基づくいくつかのアプローチが,擬似健康合成において有望な結果を達成した。しかし,GANにおける識別器(即ち,分類器)は,病変を正確に同定することができず,さらに,許容可能な擬似健康画像を生成することを妨げる。この問題に取り組むために,著者らは,病変を正確に位置決めし,擬似健康画像の視覚品質を改善するために,新しい型の弁別器,分割器を提示した。次に,医用画像強調に生成された画像を適用し,医用画像セグメンテーションに存在する低コントラスト問題に対処するために強化結果を利用した。さらに,合成画像の健全性を測定するために,ラベルノイズの2つの属性を利用することによって信頼できる計量を提案した。BraTSのT2モダリティに関する包括的な実験は,提案した方法が最先端の方法よりも実質的に優れていることを示した。この方法は,訓練データの30%だけを有する既存の方法より良い性能を達成した。また,提案した方法の有効性を,LiTSとBraTSのT1モダリティで実証した。本研究のコードと事前訓練モデルはhttps://github.com/Au3C2/Generator Versus Segmentorで公的に利用できる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

医用画像処理

, , ,

前のページに戻る