論文の概要: Modeling and Enhancing Low-quality Retinal Fundus Images

• arxiv url: http://arxiv.org/abs/2005.05594v3
• Date: Wed, 9 Dec 2020 10:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 19:34:25.313854
• Title: Modeling and Enhancing Low-quality Retinal Fundus Images
• Title（参考訳）: 低品質網膜眼底画像のモデリングと拡張
• Authors: Ziyi Shen, Huazhu Fu, Jianbing Shen and Ling Shao
• Abstract要約: 低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
• 参考スコア（独自算出の注目度）: 167.02325845822276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal fundus images are widely used for the clinical screening and diagnosis of eye diseases. However, fundus images captured by operators with various levels of experience have a large variation in quality. Low-quality fundus images increase uncertainty in clinical observation and lead to the risk of misdiagnosis. However, due to the special optical beam of fundus imaging and structure of the retina, natural image enhancement methods cannot be utilized directly to address this. In this paper, we first analyze the ophthalmoscope imaging system and simulate a reliable degradation of major inferior-quality factors, including uneven illumination, image blurring, and artifacts. Then, based on the degradation model, a clinically oriented fundus enhancement network (cofe-Net) is proposed to suppress global degradation factors, while simultaneously preserving anatomical retinal structures and pathological characteristics for clinical observation and analysis. Experiments on both synthetic and real images demonstrate that our algorithm effectively corrects low-quality fundus images without losing retinal details. Moreover, we also show that the fundus correction method can benefit medical image analysis applications, e.g., retinal vessel segmentation and optic disc/cup detection.
• Abstract（参考訳）: 網膜基底像は眼疾患のスクリーニングと診断に広く用いられている。 しかし、様々なレベルの経験を持つオペレーターが捉えた眼底画像は、品質に大きな変化がある。 低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 しかし、眼底イメージングの特殊な光学ビームと網膜の構造のため、自然画像強調法を直接利用することはできない。 本稿では,まず眼科撮像システムを分析し,不均一な照明,画像のぼかし,アーティファクトなどの主要下位品質因子の信頼性の高い劣化をシミュレートする。 そして, この劣化モデルに基づいて, 臨床観察と解析のための病態特性と解剖学的網膜構造を同時に保存しながら, グローバルな劣化要因を抑制するために, 臨床指向の基盤拡張ネットワーク (cofe-Net) を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。 また, 眼底補正法は, 網膜血管分割や視神経円板/カップ検出など, 医用画像解析の応用に有用であることを示す。

関連論文リスト

• Disentangling representations of retinal images with generative models [12.547633373232026]
  患者属性をカメラ効果から切り離す網膜基底画像の新しい集団モデルを提案する。 以上の結果から,網膜基底画像生成における患者属性と技術共同創設者との複雑な関係について,新たな視点が得られた。
  論文  参考訳（メタデータ） (2024-02-29T14:11:08Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
  正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。 そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。 統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Optimal Transport Guided Unsupervised Learning for Enhancing low-quality Retinal Images [5.4240246179935845]
  現実の非ミリ波網膜基底写真は、人工物、不完全、そして低品質である。 高品質な網膜基底画像の高精細化のための,シンプルで効果的なエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T18:29:30Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• RFormer: Transformer-based Generative Adversarial Network for Real Fundus Image Restoration on A New Clinical Benchmark [8.109057397954537]
  眼科医は眼疾患のスクリーニングと診断に眼底画像を使用している。 低品質 (LQ) 劣化した眼底画像は, 臨床検診における不確実性を引き起こしやすく, 一般的に誤診のリスクを増大させる。 本稿では, 臨床基礎画像の真の劣化を回復するために, トランスフォーマーベースの生成適応ネットワーク(RFormer)を提案する。
  論文  参考訳（メタデータ） (2022-01-03T03:56:58Z)
• VTGAN: Semi-supervised Retinal Image Synthesis and Disease Prediction using Vision Transformers [0.0]
  Fluorescein Angiography(FA)では、注射された染料を血流に注入して網膜の血管構造を画像化します。 眼底イメージングは網膜の撮影に用いられる非侵襲的な技術であるが、その血管構造を撮影するのに十分な忠実性は持たない。 本稿では,眼底画像からFA画像を同時に合成し,網膜変性を予測できる新しい条件生成対向ネットワーク(GAN)を提案する。
  論文  参考訳（メタデータ） (2021-04-14T10:32:36Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• NuI-Go: Recursive Non-Local Encoder-Decoder Network for Retinal Image Non-Uniform Illumination Removal [96.12120000492962]
  網膜画像の画質は、眼の病変や不完全な画像処理のために臨床的に不満足であることが多い。 網膜画像における最も難しい品質劣化問題の1つは、一様でない照明である。 我々はNuI-Goと呼ばれる網膜画像に対する均一でない照明除去ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-07T04:31:33Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。