論文の概要: Feedback Graph Attention Convolutional Network for Medical Image
Enhancement
- arxiv url: http://arxiv.org/abs/2006.13863v2
- Date: Tue, 13 Apr 2021 19:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 10:15:43.967483
- Title: Feedback Graph Attention Convolutional Network for Medical Image
Enhancement
- Title（参考訳）: 医用画像強調のためのフィードバックグラフ注意畳み込みネットワーク
- Authors: Xiaobin Hu, Yanyang Yan, Wenqi Ren, Hongwei Li, Yu Zhao, Amirhossein
Bayat, Bjoern Menze
- Abstract要約: フィードバックグラフ注意畳み込みネットワーク(FB-GACN)という新しいバイオメディカル画像強調ネットワークを提案する。
重要なイノベーションとして、画像サブリージョンからグラフネットワークを構築することにより、画像のグローバルな構造を考える。
実験の結果,提案アルゴリズムは最先端手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 32.95483574100177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artifacts, blur and noise are the common distortions degrading MRI images
during the acquisition process, and deep neural networks have been demonstrated
to help in improving image quality. To well exploit global structural
information and texture details, we propose a novel biomedical image
enhancement network, named Feedback Graph Attention Convolutional Network
(FB-GACN). As a key innovation, we consider the global structure of an image by
building a graph network from image sub-regions that we consider to be node
features, linking them non-locally according to their similarity. The proposed
model consists of three main parts: 1) The parallel graph similarity branch and
content branch, where the graph similarity branch aims at exploiting the
similarity and symmetry across different image sub-regions in low-resolution
feature space and provides additional priors for the content branch to enhance
texture details. 2) A feedback mechanism with a recurrent structure to refine
low-level representations with high-level information and generate powerful
high-level texture details by handling the feedback connections. 3) A
reconstruction to remove the artifacts and recover super-resolution images by
using the estimated sub-region correlation priors obtained from the graph
similarity branch. We evaluate our method on two image enhancement tasks: i)
cross-protocol super resolution of diffusion MRI; ii) artifact removal of FLAIR
MR images. Experimental results demonstrate that the proposed algorithm
outperforms the state-of-the-art methods.
- Abstract（参考訳）: アーティファクト、ぼかし、ノイズは、取得プロセス中にMRI画像を劣化させる一般的な歪みであり、ディープニューラルネットワークは画像の品質向上に役立つことが示されている。
グローバルな構造情報やテクスチャの詳細をうまく活用するために,FB-GACN(Feedback Graph Attention Convolutional Network)という新しいバイオメディカル画像強調ネットワークを提案する。
重要なイノベーションとして、ノードの特徴と考えられる画像サブリージョンからグラフネットワークを構築し、その類似性に応じて非局所的にリンクすることで、画像のグローバルな構造を考える。
提案モデルは3つの主要部分からなる。
1) パラレルグラフ類似度ブランチとコンテンツブランチは、グラフ類似度ブランチは、低解像度特徴空間における異なる画像サブ領域間の類似性と対称性を活用し、コンテンツブランチがテクスチャの詳細を強化するための追加の事前情報を提供する。
2)高レベル情報を用いた低レベル表現を洗練し,フィードバック接続を処理して高レベルのテクスチャ詳細を生成するリカレント構造を有するフィードバック機構。
3) グラフ類似度分岐から得られた推定サブリージョン相関先行値を用いて, アーティファクトの除去と超解像の復元を行う。
我々は2つの画像強調タスクにおける手法を評価する。
一 拡散MRIのクロスプロトコール超解像
二 FLAIR MR画像のアーティファクト除去
実験の結果,提案アルゴリズムは最先端の手法よりも優れていた。
関連論文リスト
- Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Decomposing and Coupling Saliency Map for Lesion Segmentation in
Ultrasound Images [10.423431415758655]
超音波画像の複雑なシナリオは、隣接する組織が類似の強度を共有し、よりリッチなテクスチャパターンを含むことで、正確な病変のセグメンテーションに固有の課題をもたらす。
この研究はDC-Netと呼ばれる分解結合ネットワークを示し、(地上背景)サリエンシマップのアンタングルメント・フュージョン方式でこの問題に対処する。
提案手法は2つの超音波病変セグメンテーションタスクで評価され,既存の最先端手法よりも顕著な性能向上を示す。
論文 参考訳（メタデータ） (2023-08-02T05:02:30Z) - Efficient and Explicit Modelling of Image Hierarchies for Image
Restoration [120.35246456398738]
本研究では,画像復元のためのグローバル,地域,地域領域における画像階層を効率的に,かつ明示的にモデル化する機構を提案する。
そこで本研究では, 空間と時間的複雑性のバランスが良く, 固定されたストライプ自己注意を提案する。
そこで我々はGlobal, Regional, Local Rangeにおける画像階層を明示的にモデル化するGRLと呼ばれる新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-03-01T18:59:29Z) - Joint Learning of Deep Texture and High-Frequency Features for
Computer-Generated Image Detection [24.098604827919203]
本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。
セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。
原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
論文 参考訳（メタデータ） (2022-09-07T17:30:40Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Deep Iteration Assisted by Multi-level Obey-pixel Network Discriminator
(DIAMOND) for Medical Image Recovery [0.6719751155411076]
従来の反復型ネットワークと最新のディープネットワークの両方が注目されており、満足度の高い画像の再構成において大幅な改善がなされている。
本研究は,それらの利点を1つの統一数学的モデルに統合し,そのような問題に対処するための一般的な画像復元戦略を提案する。
論文 参考訳（メタデータ） (2021-02-08T16:57:33Z) - Learning Structral coherence Via Generative Adversarial Network for
Single Image Super-Resolution [13.803141755183827]
近年,GAN(Generative Adversarial Network)に基づくSISR法により,全体の現実的SR画像が得られた。
SRプロセスにおける高分解能勾配図の復元により構造情報を保存するため, 発電機に勾配分岐を導入する。
さらに、U-netベースの判別器を用いて、画像全体と画素ごとの詳細な認証の両方について検討する。
論文 参考訳（メタデータ） (2021-01-25T15:26:23Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。
提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文 参考訳（メタデータ） (2020-04-26T04:52:22Z) - Image super-resolution reconstruction based on attention mechanism and
feature fusion [3.42658286826597]
注意機構とマルチスケール特徴融合に基づくネットワーク構造を提案する。
実験により,提案手法は,他の代表的超解像再構成アルゴリズムよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2020-04-08T11:20:10Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳（メタデータ） (2020-03-29T17:26:58Z)
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。