論文の概要: Decompose X-ray Images for Bone and Soft Tissue

• arxiv url: http://arxiv.org/abs/2007.14510v1
• Date: Tue, 28 Jul 2020 22:38:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:54:54.892174
• Title: Decompose X-ray Images for Bone and Soft Tissue
• Title（参考訳）: 骨軟部組織のx線像の分解
• Authors: Yuanhao Gong
• Abstract要約: 画像処理アルゴリズムにより軟部組織と骨を事実上分解する新しい課題を提案する。 我々の分解作業は、従来の画像強調と根本的に異なる。 本手法は臨床診断,手術計画,認識,深層学習などにおいて重要である。
• 参考スコア（独自算出の注目度）: 5.9622541907827875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bones are always wrapped by soft tissues. As a result, bones in their X-ray images are obscured and become unclear. In this paper, we tackle this problem and propose a novel task to virtually decompose the soft tissue and bone by image processing algorithms. This task is fundamentally different from segmentation because the decomposed images share the same imaging domain. Our decomposition task is also fundamentally different from the conventional image enhancement. We propose a new mathematical model for such decomposition. Our model is ill-posed and thus it requires some priors. With proper assumptions, our model can be solved by solving a standard Laplace equation. The resulting bone image is theoretically guaranteed to have better contrast than the original input image. Therefore, the details of bones get enhanced and become clearer. Several numerical experiments confirm the effective and efficiency of our method. Our approach is important for clinical diagnosis, surgery planning, recognition, deep learning, etc.
• Abstract（参考訳）: 骨は常に柔らかい組織で包まれている。 その結果、X線画像の骨はあいまいになり、不明瞭になる。 本稿では,この課題に対処し,画像処理アルゴリズムにより軟部組織と骨を実質的に分解する新しい課題を提案する。 このタスクは、分解された画像が同じ画像領域を共有するため、セグメンテーションと根本的に異なる。 我々の分解作業は、従来の画像強調と根本的に異なる。 このような分解のための新しい数学的モデルを提案する。 私たちのモデルは正しくないため、いくつかの事前が必要になります。 適切な仮定により、このモデルは標準ラプラス方程式を解いて解くことができる。 得られた骨画像は、理論上、元の入力画像よりもコントラストが良いことが保証される。 そのため、骨の細部が強化され、より明瞭になる。 数値実験により,本手法の有効性と有効性を確認した。 本手法は臨床診断,手術計画,認識,深層学習などにおいて重要である。

関連論文リスト

• LeDNet: Localization-enabled Deep Neural Network for Multi-Label Radiography Image Classification [0.1227734309612871]
  マルチラベルラジオグラフィー画像分類は、長い間ニューラルネットワーク研究における関心のトピックであった。 胸部X線画像を用いて胸部疾患を診断する。 胸部疾患を高精度に予測するために,LDNetと呼ばれる局所化アルゴリズムと深層学習アルゴリズムの組み合わせを提案する。
  論文  参考訳（メタデータ） (2024-07-04T13:46:30Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Simultaneous Bone and Shadow Segmentation Network using Task Correspondence Consistency [60.378180265885945]
  骨と影の同時分割のための共有トランスフォーマベースエンコーダとタスク独立デコーダを備えた単一エンドツーエンドネットワークを提案する。 また,骨表面とそれに対応する影の相互依存性を利用してセグメンテーションを改良する対応整合損失も導入する。
  論文  参考訳（メタデータ） (2022-06-16T22:37:05Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray images [35.18562405272593]
  コンテキスト情報や補償情報として、クロスリージョンとクロスイメージの関係は、より一貫性のある統合された領域を得るために不可欠である。 胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。 このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得られた。
  論文  参考訳（メタデータ） (2021-07-14T01:27:07Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Pseudo-healthy synthesis with pathology disentanglement and adversarial learning [17.68303016550086]
  Pseudo-Healthy 合成は、病理的な画像から被写体特異的な健康なイメージを作成するタスクである。 健康な状態から病理情報を解き放つことを奨励するモデルを提案する。 私たちは、ペアやペアの無い設定を使って、モデルを逆さまにトレーニングします。
  論文  参考訳（メタデータ） (2020-04-20T15:38:05Z)
• Image Co-skeletonization via Co-segmentation [102.59781674888657]
  我々は,新しい共同処理の話題である画像コスケルトン化を提案する。 単一の自然な画像におけるオブジェクトのスケルトン化は、オブジェクトに関する事前の知識がほとんどないため、難しい問題である。 本稿では,コ・スケルトン化とコ・セグメンテーション・タスクの結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-12T09:35:54Z)
• Estimating and abstracting the 3D structure of bones using neural networks on X-ray (2D) images [0.0]
  骨の3次元構造を2次元X線画像から推定する深層学習法を提案する。 我々の予測では, 平均根平均平方(RMS)距離が1.08mmであり, 他の8つの3次元骨再建法により得られた平均誤差よりも精度が高い。
  論文  参考訳（メタデータ） (2020-01-16T20:41:17Z)

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。