Fugu-MT 論文翻訳(概要): Bone Suppression on Chest Radiographs With Adversarial Learning

論文の概要: Bone Suppression on Chest Radiographs With Adversarial Learning

arxiv url: http://arxiv.org/abs/2002.03073v1
Date: Sat, 8 Feb 2020 02:53:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 22:48:21.428093
Title: Bone Suppression on Chest Radiographs With Adversarial Learning
Title（参考訳）: 胸部X線写真における対立学習による骨抑制
Authors: Jia Liang, Yuxing Tang, Youbao Tang, Jing Xiao, Ronald M. Summers
Abstract要約: デュアルエネルギー(DE)胸部X線撮影は、2つの臨床的関連物質を選択的に撮像する機能を提供する。従来のX線写真と骨抑制X線写真とのマッピングを学習する。本研究は, 患者に配慮したペアとペアの無いX線写真との訓練効果を比較した。
参考スコア（独自算出の注目度）: 21.331378067323573
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 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.
Abstract（参考訳）: Dual-Eergy (DE) 胸部X線撮影は、軟部組織と骨構造という2つの臨床関連物質を選択的に撮像し、様々な胸郭病理をより良い特徴付け、後部胸部X線写真における診断を改善する能力を提供する。しかし、deイメージングは、従来のラジオグラフィよりも特殊なハードウェアと高い放射線線量を必要としており、運動アーチファクトは、しばしば不随意の患者の動きによって起こる。本研究では,従来のx線画像と骨抑制x線画像のマッピングについて検討した。具体的には,deイメージング技術により得られた従来の骨抑制x線写真から骨への画像変換に,gans(generative adversarial network)の2種類のバリエーションを用いることを提案する。患者側対および非対側x線写真との訓練効果を比較した。実験では、両方の訓練戦略がボニー構造を抑えられた「ラジオリアリスティック」ラジオグラフと、ホールドアウトテストセットで動くアーティファクトが少ないことを示す。ペア画像を用いたトレーニングは、SSIM(Structure similarity Index)とPSNR(Peak Signal-to-Noise Ratio)の2つの目標画像品質指標を用いて測定した場合、ペア画像によるトレーニングは、ペア画像よりもペア画像の未確認後(AP)無線画像に対してより優れた一般化能力を示す。

関連論文リスト

Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文参考訳（メタデータ） (2023-12-11T02:27:45Z)
UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文参考訳（メタデータ） (2023-11-10T02:47:15Z)
Low-Dose CT Image Enhancement Using Deep Learning [0.0]
電離放射線の少ない線量、特にCT(Computerd tomography)イメージングシステムでの使用が好ましい。 CT画像における放射線線量削減の一般的な方法は、クォータードーズ法として知られている。近年のディープラーニングアプローチは、低用量アーティファクトのイメージ強化に興味深い可能性をもたらしている。
論文参考訳（メタデータ） (2023-10-31T08:34:33Z)
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)
Improving Computed Tomography (CT) Reconstruction via 3D Shape Induction [3.1498833540989413]
再現モデルのトレーニング中に現実的なX線分布を取り入れた新しい手法として,CTの監督なしに3次元CTの形状を学習する形状誘導法を提案する。本研究は, 肺疾患におけるCTの知覚的品質と下流分類の精度を両立させることを実証した。
論文参考訳（メタデータ） (2022-08-23T13:06:02Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
CT Image Harmonization for Enhancing Radiomics Studies [10.643230630935781]
RadiomicGANは、非標準再構成カーネルの使用による誤差を軽減するために開発された。 Dynamic Window-based Trainingと呼ばれる新しいトレーニング手法が開発され、トレーニング済みのモデルを医療画像領域に変換する。 1401の放射能特性を用いて評価したモデル性能は、RadiomicGANが最先端の画像標準化モデルよりも明らかに優れていることを示している。
論文参考訳（メタデータ） (2021-07-03T04:03:42Z)
Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文参考訳（メタデータ） (2021-04-11T09:16:29Z)
XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文参考訳（メタデータ） (2020-12-04T05:08:53Z)
Evaluation of Contemporary Convolutional Neural Network Architectures for Detecting COVID-19 from Chest Radiographs [0.0]
胸部X線写真解析のための3つのモデルアーキテクチャを,様々な条件下で訓練し,評価した。本稿では,現代の研究によって提案された印象的なモデル性能を低下させる問題を見いだす。
論文参考訳（メタデータ） (2020-06-30T15:22:39Z)

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。