Published January 1, 2021
| Version v1
Publication
Open
Review of Medical Image Synthesis using GAN Techniques
Description
Generative Adversarial Networks (GANs) is one of the vital efficient methods for generating a massive, high-quality artificial picture. For diagnosing particular diseases in a medical image, a general problem is that it is expensive, usage of high radiation dosage, and time-consuming to collect data. Hence GAN is a deep learning method that has been developed for the image to image translation, i.e. from low-resolution to highresolution image, for example generating Magnetic resonance image (MRI) from computed tomography image (CT) and 7T from 3T MRI which can be used to obtain multimodal datasets from single modality. In this review paper, different GAN architectures were discussed for medical image analysis.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعد شبكات الخصومة التوليدية (GANs) واحدة من الطرق الفعالة الحيوية لتوليد صورة اصطناعية ضخمة وعالية الجودة. لتشخيص أمراض معينة في صورة طبية، تتمثل المشكلة العامة في أنها مكلفة، واستخدام جرعة إشعاعية عالية، وتستغرق وقتًا طويلاً لجمع البيانات. ومن ثم فإن GAN هي طريقة تعلم عميقة تم تطويرها لترجمة الصورة إلى صورة، أي من صورة منخفضة الدقة إلى صورة عالية الدقة، على سبيل المثال توليد صورة رنين مغناطيسي (MRI) من صورة التصوير المقطعي المحوسب (CT) و 7 T من 3T MRI والتي يمكن استخدامها للحصول على مجموعات بيانات متعددة الوسائط من طريقة واحدة. في ورقة المراجعة هذه، نوقشت بنيات GAN المختلفة لتحليل الصور الطبية.Translated Description (French)
Les réseaux antagonistes génératifs (GaN) sont l'une des méthodes efficaces et vitales pour générer une image artificielle massive et de haute qualité. Pour diagnostiquer des maladies particulières dans une image médicale, un problème général est qu'il est coûteux, l'utilisation d'une dose de rayonnement élevée et la collecte de données prend du temps. Par conséquent, le GaN est une méthode d'apprentissage en profondeur qui a été développée pour la traduction d'image à image, c'est-à-dire de l'image à basse résolution à l'image à haute résolution, par exemple en générant une image par résonance magnétique (IRM) à partir d'une image de tomodensitométrie (CT) et 7T à partir d'une IRM 3T qui peut être utilisée pour obtenir des ensembles de données multimodaux à partir d'une seule modalité. Dans cet article de synthèse, différentes architectures DE GaN ont été discutées pour l'analyse d'images médicales.Translated Description (Spanish)
Las redes adversarias generativas (GAN) son uno de los métodos vitales y eficientes para generar una imagen artificial masiva y de alta calidad. Para diagnosticar enfermedades particulares en una imagen médica, un problema general es que es costoso, el uso de altas dosis de radiación y la recopilación de datos lleva mucho tiempo. Por lo tanto, GAN es un método de aprendizaje profundo que se ha desarrollado para la traducción de imagen a imagen, es decir, de imagen de baja resolución a imagen de alta resolución, por ejemplo, generando imágenes de resonancia magnética (IRM) a partir de imágenes de tomografía computarizada (TC) y 7T a partir de IRM 3T que se pueden utilizar para obtener conjuntos de datos multimodales de una sola modalidad. En este documento de revisión, se discutieron diferentes arquitecturas de GAN para el análisis de imágenes médicas.Files
itmconf_icitsd2021_01005.pdf.pdf
Files
(24 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:7624dcbc096921e31a1da610e19a546e
|
24 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مراجعة تخليق الصور الطبية باستخدام تقنيات GAN
- Translated title (French)
- Examen de la synthèse d'images médicales à l'aide des techniques GaN
- Translated title (Spanish)
- Revisión de la síntesis de imágenes médicas utilizando técnicas GAN
Identifiers
- Other
- https://openalex.org/W3138538880
- DOI
- 10.1051/itmconf/20213701005
References
- https://openalex.org/W2405774341
- https://openalex.org/W2593414223
- https://openalex.org/W2751679535
- https://openalex.org/W2757201831
- https://openalex.org/W2759965110
- https://openalex.org/W2761299546
- https://openalex.org/W2946691151
- https://openalex.org/W2962784654
- https://openalex.org/W2962793481
- https://openalex.org/W2962793691
- https://openalex.org/W2962816100
- https://openalex.org/W2962825119
- https://openalex.org/W2962891897
- https://openalex.org/W2963105382
- https://openalex.org/W2963942586
- https://openalex.org/W2963971125
- https://openalex.org/W2964261464
- https://openalex.org/W2970694612
- https://openalex.org/W2971043720
- https://openalex.org/W3028051238