Bone Suppression on Chest Radiographs With Adversarial Learning
원문 초록
Dual-energy (DE) chest radiography provides the capability of selectively imaging two clinically relevant materials, namely soft tissues, and osseous structures, to better characterize a wide variety of thoracic pathology and potentially improve diagnosis in posteroanterior (PA) chest radiographs. However, DE imaging requires specialized hardware and a higher radiation dose than conventional radiography, and motion artifacts sometimes happen due to involuntary patient motion. In this work, we learn the mapping between conventional radiographs and bone suppressed radiographs. Specifically, we propose to utilize two variations of generative adversarial networks (GANs) for image-to-image translation between conventional and bone suppressed radiographs obtained by DE imaging technique. We compare the effectiveness of training with patient-wisely paired and unpaired radiographs. Experiments show both training strategies yield "radio-realistic'' radiographs with suppressed bony structures and few motion artifacts on a hold-out test set. While training with paired images yields slightly better performance than that of unpaired images when measuring with two objective image quality metrics, namely Structural Similarity Index (SSIM) and Peak Signal-to-Noise Ratio (PSNR), training with unpaired images demonstrates better generalization ability on unseen anteroposterior (AP) radiographs than paired training.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CycleVAR: Repurposing Autoregressive Model for Unsupervised One-Step Image Translation
SRUG: 의료 영상 변환을 위한 융합 기반 생성기 네트워크
SRUG: A Fusion-Driven Generator Network for Medical Image Translation
MRI 시퀀스 합성은 환자 고유의 해부학적 구조를 보존하면서 결측된 영상 대비를 복원하는 것을 목표로 합니다. 생성 메커니즘의 선택은 최적화(optimization)뿐만 아니라 소스 정보가 합성된 영상에 전달되는 방식 모두에 영향을 미칩니다. 본 연구에서는 쌍을 이루는(paired) MRI 합성을 위해 결정론적 소스-타깃 매핑을 학습하는 지도형 독립 융합 기반 생성기인 SRUG를 제안합니다. 이 모델의 직접 재구성 정식화는 생성기-판별기 간 경쟁을 제거하며, 변분 잠재 샘플링이나 반복적인 확산(diffusion) 디노이징을 필요로 하지 않습니다. 이러한 정식화 내에서 구조적 충실도를 지원하기 위해, SRUG는 풀 해상도 합성곱 스템, 풀링(pooling)으로 분리된 특징 단계, 잔차 브랜치에 임베딩된 채널 재보정을 갖추고 영상 재구성에 맞게 조정된 잔차 인코더를 사용합니다. 중첩 다중 스케일 디코더(NMD)는 결과 공간 특징들을 반복적으로 융합하고 단일 출력 헤드를 통해 타깃 시퀀스를 예측합니다. L1 손실(loss)과 다중 스케일 구조적 손실(MSS loss)이 예측을 공동으로 지도하여, 직접 생성 목표를 해부학적 세부 정보 복원과 연결합니다. BraTS 2023 데이터셋에 대한 실험은 세 가지 MRI 변환 태스크 전반에서 경쟁력 있는 재구성 충실도와 구조적 일관성을 보여줍니다. 아키텍처 절제 연구는 동일한 생성기 프레임워크 내에서 채널 재보정, NMD, 구조적 지도의 효과를 평가합니다. IXI 데이터셋에 대한 추가 평가는 또 다른 데이터셋 및 모달리티 쌍에 대한 적용 가능성을 뒷받침하며, BraTS 2019에 대한 제로샷(zero-shot) 테스트는 데이터셋 간 전이 가능성에 대한 예비적 증거를 제공합니다. 이러한 결과는 조정된 인코딩 및 재구성 경로가 구조 보존의 기초를 제공함으로써 직접 지도 생성이 쌍을 이루는 MRI 시퀀스 합성에 실용적인 접근법임을 뒷받침합니다. SRUG 구현체는 https://github.com/RisingRich/SRUG 에서 공개되어 있습니다.
도시 전자기장 지도 예측을 위한 다중 모달 조건 고해상도 트랜스포머
Multi-Modal Conditioned High-Resolution Transformer for Urban Electromagnetic Field Map Prediction Download PDF
도시 환경에서 전자기장(EMF) 강도를 예측하는 것은 셀룰러 네트워크 계획에 필수적이지만, 물리 기반 시뮬레이터를 사용하면 계산 비용이 크다. 건물 배치 이미지와 안테나 구성으로부터 500×500 EMF 지도를 생성하는 다중 조건 밀집 예측 프레임워크를 제안한다. 우리 아키텍처는 고해상도 트랜스포머(HRFormer) 백본을 사용하며, 두 가지 상보적 조건화 메커니즘을 갖는다. Feature-wise Linear Modulation(FiLM)은 스칼라 안테나 매개변수를 모든 백본 단계에 주입하고, 크로스 어텐션(cross-attention)은 가장 깊은 단계에서 1차원 방사 패턴 토큰과 공간 특징을 융합한다. 또한 안테나로부터의 거리, 근접성, 방위를 인코딩하는 송신기 상대 공간 채널을 도입하여, 좌표 일관 test-time augmentation(TTA)을 가능하게 하고 이를 통해 테스트 MAE를 6.3% 감소시킨다. EMF 지도 전반에 걸친 예측 난이도 불균형을 해결하기 위해, 마스크 L1, 다중 스케일 구조적 유사성(MS-SSIM), 고신호 픽셀에 가중치를 부여하는 focal L1 항을 결합한 복합 손실을 설계하여 모든 지표에서 개별 손실 구성 요소보다 우수한 성능을 달성한다. 최고 성능 모델은 테스트 MAE 0.0461을 달성하여, 단순 UNet 기준선 대비 25.2%, HRFormer만 사용한 기준선 대비 31.8% 개선을 보인다.
Transforming H&E images into IHC: A Variance-Penalized GAN for Precision Oncology
Residual Prior-driven Frequency-aware Network for Image Fusion
CycleDistill: Bootstrapping Machine Translation using LLMs with Cyclical Distillation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.