論文の概要: A novel approach to remove foreign objects from chest X-ray images

• arxiv url: http://arxiv.org/abs/2008.06828v1
• Date: Sun, 16 Aug 2020 03:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 09:15:55.066129
• Title: A novel approach to remove foreign objects from chest X-ray images
• Title（参考訳）: 胸部X線画像からの異物除去のための新しいアプローチ
• Authors: Hieu X. Le, Phuong D. Nguyen, Thang H. Nguyen, Khanh N.Q. Le, Thanh T. Nguyen
• Abstract要約: 本稿では,胸部X線写真と胸部X線写真の両方にマルチメソッドを用いた。 結論として、我々は最先端の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We initially proposed a deep learning approach for foreign objects inpainting in smartphone-camera captured chest radiographs utilizing the cheXphoto dataset. Foreign objects which can significantly affect the quality of a computer-aided diagnostic prediction are captured under various settings. In this paper, we used multi-method to tackle both removal and inpainting chest radiographs. Firstly, an object detection model is trained to separate the foreign objects from the given image. Subsequently, the binary mask of each object is extracted utilizing a segmentation model. Each pair of the binary mask and the extracted object are then used for inpainting purposes. Finally, the in-painted regions are now merged back to the original image, resulting in a clean and non-foreign-object-existing output. To conclude, we achieved state-of-the-art accuracy. The experimental results showed a new approach to the possible applications of this method for chest X-ray images detection.
• Abstract（参考訳）: まず,chexphotoデータセットを用いて,スマートフォンカメラで撮影された胸部x線写真中の異物に対するディープラーニング手法を提案する。 コンピュータ支援診断予測の品質に著しく影響を及ぼす異物は、様々な設定下でキャプチャされる。 本稿では,胸部x線像の除去と塗装の両方にマルチメソッドを用いた。 まず、対象検出モデルは、与えられた画像から異物を切り離すように訓練される。 その後、セグメンテーションモデルを用いて各オブジェクトのバイナリマスクを抽出する。 次に、各対のバイナリマスクと抽出されたオブジェクトを塗装目的に使用する。 最後に、塗装された領域は元のイメージにマージされ、クリーンで外部に存在しない出力となる。 結論として,最先端の精度が得られた。 実験の結果,胸部x線像検出における新たな応用法が示唆された。

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)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• A tomographic workflow to enable deep learning for X-ray based foreign object detection [0.7829352305480283]
  異物検出の教師あり学習のためのトレーニングデータを生成するためのCT法を提案する。 外部オブジェクトの高品質な地上真実位置は、正確な3次元再構成とセグメンテーションによって得られる。 本稿では,従来のラジオグラフィアノテーションと比較して,客観的かつ再現的にトレーニングデータを生成できることの利点を概説する。
  論文  参考訳（メタデータ） (2022-01-28T15:33:20Z)
• Learning to Detect Every Thing in an Open World [139.78830329914135]
  我々は、Learning to Detect Every Thing (LDET)と呼ぶ、シンプルながら驚くほど強力なデータ拡張とトレーニングスキームを提案する。 可視だがラベル付けされていない背景オブジェクトの隠蔽を避けるため、元の画像の小さな領域から採取した背景画像上に注釈付きオブジェクトを貼り付ける。 LDETは、オープンワールドのインスタンスセグメンテーションタスクにおいて、多くのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2021-12-03T03:56:06Z)
• Noise Doesn't Lie: Towards Universal Detection of Deep Inpainting [42.189768203036394]
  本研究は, ディープ・インパインティングの普遍的検出に向けた最初の試みであり, 検出ネットワークの一般化を図っている。 提案手法は,既存の検出手法を大きなマージンで上回り,未確認の深層塗膜技術に最適化する。
  論文  参考訳（メタデータ） (2021-06-03T01:29:29Z)
• 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)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• ShaRF: Shape-conditioned Radiance Fields from a Single View [54.39347002226309]
  本稿では,単一の画像のみのオブジェクトの神経シーン表現を推定する手法を提案する。 この手法の核心は,対象物の幾何学的足場の推定である。 合成画像と実画像の両方において,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-02-17T16:40:28Z)
• Image Separation with Side Information: A Connected Auto-Encoders Based Approach [18.18248997032482]
  両面画像のX線画像から混合X線画像を分離する問題に対処する。 本稿では,混合X線画像を両面に対応する2つの模擬X線画像に分離する「接続型」オートエンコーダに基づくニューラルニューラルネットワークアーキテクチャを提案する。 これらの実験により, 提案手法は, 最先端のX線画像分離法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2020-09-16T18:39:42Z)
• CheXphoto: 10,000+ Photos and Transformations of Chest X-rays for Benchmarking Deep Learning Robustness [6.269757571876924]
  スマートフォン写真とCheXpertデータセットから採取した胸部X線の合成写真変換のデータセットであるCheXphotoを紹介した。 CheX Photo を生成するためには,(1) 異なる設定でデジタルX線を自動かつ手動で撮影し,(2) デジタルX線やX線フィルムのように見せることを目的とした,デジタルX線を合成変換する。 我々は,このデータセットを,胸部X線のスマートフォン写真に対する胸部X線自動解釈のためのディープラーニングアルゴリズムの堅牢性をテストするためのリソースとしてリリースする。
  論文  参考訳（メタデータ） (2020-07-13T05:37:00Z)

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。