Fugu-MT 論文翻訳(概要): Feature matching in Ultrasound images

論文の概要: Feature matching in Ultrasound images

arxiv url: http://arxiv.org/abs/2010.12216v1
Date: Fri, 23 Oct 2020 07:43:27 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 23:44:01.166496
Title: Feature matching in Ultrasound images
Title（参考訳）: 超音波画像の特徴マッチング
Authors: Hang Zhu and Zihao Wang
Abstract要約: 超音波画像に特有な深層学習手法を提案する。通常の画像に優れた結果をもたらす既存手法について検討する。
参考スコア（独自算出の注目度）: 7.52584704734977
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Feature matching is an important technique to identify a single object in different images. It helps machines to construct recognition of a specific object from multiple perspectives. For years, feature matching has been commonly used in various computer vision applications, like traffic surveillance, self-driving, and other systems. With the arise of Computer-Aided Diagnosis(CAD), the need for feature matching techniques also emerges in the medical imaging field. In this paper, we present a deep learning-based method specially for ultrasound images. It will be examined against existing methods that have outstanding results on regular images. As the ultrasound images are different from regular images in many fields like texture, noise type, and dimension, traditional methods will be evaluated and optimized to be applied to ultrasound images.
Abstract（参考訳）: 特徴マッチングは、異なる画像内の単一のオブジェクトを特定するための重要なテクニックである。複数の視点から特定のオブジェクトの認識を構築するのに役立つ。長い間、機能マッチングは交通監視、自動運転、その他のシステムなど、様々なコンピュータビジョンアプリケーションでよく使われてきた。 CAD(Computer-Aided Diagnosis)の出現に伴い,医用画像領域にも特徴マッチング技術の必要性が出現する。本稿では,超音波画像のための深層学習に基づく手法を提案する。通常の画像に優れた結果をもたらす既存手法について検討する。超音波画像はテクスチャやノイズタイプ,次元など,多くの分野において通常の画像とは異なるため,従来の手法を評価・最適化して超音波画像に適用する。

関連論文リスト

Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文参考訳（メタデータ） (2024-09-13T10:19:10Z)
Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
高速な画像認識を実現するために,重みに基づく目的関数を提案する。単純なアルゴリズムを用いたしきい値最適化手法を提案する。異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
論文参考訳（メタデータ） (2024-05-23T04:46:51Z)
Speckle Noise Reduction in Ultrasound Images using Denoising Auto-encoder with Skip Connection [0.19116784879310028]
超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。これにより、画像の特徴を抽出、認識、分析することがより困難になる。研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
論文参考訳（メタデータ） (2024-03-05T08:08:59Z)
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)
LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文参考訳（メタデータ） (2023-07-29T16:29:39Z)
Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering Without Clean Data [48.81200490360736]
超音波画像では、組織の均質領域の出現はスペックルの対象となる。従来のフィルタリング技術の多くは手作りであり、しばしば現在のハードウェア、撮像方式、アプリケーションに微調整する必要がある。本稿では,これらの制約を伴わない深層学習に基づくスペックル除去手法を提案する。
論文参考訳（メタデータ） (2022-07-31T09:17:32Z)
Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文参考訳（メタデータ） (2021-10-12T21:22:24Z)
Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文参考訳（メタデータ） (2021-09-23T15:15:21Z)
Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文参考訳（メタデータ） (2021-02-07T19:12:32Z)
Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。乳房超音波画像のデータセットを用いて,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） (2021-01-31T11:11:24Z)

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。