論文の概要: Automatic phantom test pattern classification through transfer learning with deep neural networks

• arxiv url: http://arxiv.org/abs/2001.08189v1
• Date: Wed, 22 Jan 2020 18:17:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 17:46:03.056128
• Title: Automatic phantom test pattern classification through transfer learning with deep neural networks
• Title（参考訳）: ディープニューラルネットワークを用いたトランスファーラーニングによるファントム自動テストパターン分類
• Authors: Rafael B. Fricks, Justin Solomon, Ehsan Samei
• Abstract要約: 画像ファントム(英: Imaging phantoms)は、コンピュータ断層撮影(CT)システムにおける画像品質を測定するために用いられるテストパターンである。 深層学習技術を用いて,一連のファントム画像にこれらのテストパターンを自動的に分類する手法を提案する。
• 参考スコア（独自算出の注目度）: 29.55279256669142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imaging phantoms are test patterns used to measure image quality in computer tomography (CT) systems. A new phantom platform (Mercury Phantom, Gammex) provides test patterns for estimating the task transfer function (TTF) or noise power spectrum (NPF) and simulates different patient sizes. Determining which image slices are suitable for analysis currently requires manual annotation of these patterns by an expert, as subtle defects may make an image unsuitable for measurement. We propose a method of automatically classifying these test patterns in a series of phantom images using deep learning techniques. By adapting a convolutional neural network based on the VGG19 architecture with weights trained on ImageNet, we use transfer learning to produce a classifier for this domain. The classifier is trained and evaluated with over 3,500 phantom images acquired at a university medical center. Input channels for color images are successfully adapted to convey contextual information for phantom images. A series of ablation studies are employed to verify design aspects of the classifier and evaluate its performance under varying training conditions. Our solution makes extensive use of image augmentation to produce a classifier that accurately classifies typical phantom images with 98% accuracy, while maintaining as much as 86% accuracy when the phantom is improperly imaged.
• Abstract（参考訳）: イメージングファントム(英: imaging phantoms)は、コンピュータ断層撮影(ct)システムにおける画像品質を測定するためのテストパターンである。 新しい幻プラットフォーム(Mercury Phantom, Gammex)は、タスク伝達関数(TTF)またはノイズパワースペクトル(NPF)を推定し、異なる患者サイズをシミュレートするためのテストパターンを提供する。 現在、分析に適した画像スライスを決定するには、専門家による手作業によるこれらのパターンの注釈が必要である。 深層学習技術を用いて,一連のファントム画像にこれらのテストパターンを自動的に分類する手法を提案する。 imagenetでトレーニングされた重み付きvgg19アーキテクチャに基づいた畳み込みニューラルネットワークを適用することで、このドメインの分類器を生成するために転送学習を利用する。 分類器は、大学医療センターで取得した3500枚のファントム画像を用いて訓練され、評価される。 カラー画像の入力チャネルは、ファントム画像のコンテキスト情報を伝達するためにうまく適合する。 分類器の設計面を検証するために一連のアブレーション研究を行い、様々な訓練条件下でその性能を評価する。 提案手法では,従来のファントム画像の98%の精度で精度よく分類できる分類器を作成するために画像拡張を広範囲に利用し,その精度を86%まで維持する。

関連論文リスト

• XCAT-3.0: A Comprehensive Library of Personalized Digital Twins Derived from CT Scans [2.1423779581455182]
  本研究では,一連の自動セグメンテーションモデルを用いて,現実的な計算ファントムを作成するためのフレームワークを提案する。 新しい構造は140の構造を具現化し、詳細な解剖学的モデリングへの包括的アプローチを示している。 このフレームワークは、仮想画像治験を推進し、医用画像技術の信頼性評価を促進する可能性がある。
  論文  参考訳（メタデータ） (2024-05-18T01:09:02Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
  マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。 本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。 実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-12T05:28:55Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning [16.224649756613655]
  画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。 実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。 浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2021-01-26T06:07:46Z)
• Learning Numerical Observers using Unsupervised Domain Adaptation [13.548174682737756]
  医用イメージングシステムは、客観的な画質測定によって一般的に評価される。 タスクベース画像品質評価のための数値オブザーバを実装するために,改良されたディープラーニング手法が検討されている。 大量の実験データをラベル付けして、ディープニューラルネットワークを訓練するのは、面倒で、高価で、主観的エラーの傾向があります。
  論文  参考訳（メタデータ） (2020-02-03T22:58:28Z)

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。