論文の概要: MIINet: An Image Quality Improvement Framework for Supporting Medical
Diagnosis
- arxiv url: http://arxiv.org/abs/2011.14132v1
- Date: Sat, 28 Nov 2020 13:44:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:47:42.782793
- Title: MIINet: An Image Quality Improvement Framework for Supporting Medical
Diagnosis
- Title(参考訳): miinet: 医療診断支援のための画像品質改善フレームワーク
- Authors: Quan Huu Cap and Hitoshi Iyatomi and Atsushi Fukuda
- Abstract要約: 医用画像の品質向上のための画像間翻訳ネットワークMIINetを提案する。
我々のMIINetは、高精細な画像を生成するだけでなく、元の画像の属性を保存できる。
- 参考スコア(独自算出の注目度): 9.453554184019108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical images have been indispensable and useful tools for supporting
medical experts in making diagnostic decisions. However, taken medical images
especially throat and endoscopy images are normally hazy, lack of focus, or
uneven illumination. Thus, these could difficult the diagnosis process for
doctors. In this paper, we propose MIINet, a novel image-to-image translation
network for improving quality of medical images by unsupervised translating
low-quality images to the high-quality clean version. Our MIINet is not only
capable of generating high-resolution clean images, but also preserving the
attributes of original images, making the diagnostic more favorable for
doctors. Experiments on dehazing 100 practical throat images show that our
MIINet largely improves the mean doctor opinion score (MDOS), which assesses
the quality and the reproducibility of the images from the baseline of 2.36 to
4.11, while dehazed images by CycleGAN got lower score of 3.83. The MIINet is
confirmed by three physicians to be satisfying in supporting throat disease
diagnostic from original low-quality images.
- Abstract(参考訳): 医用画像は診断決定において医療専門家を支援するために不可欠で有用なツールである。
しかし、撮影される医用画像、特に喉と内視鏡画像は、通常、ぼやけ、焦点の欠如、照明の不均一である。
これにより、医師の診断が困難になる可能性がある。
本稿では,低品質画像を高品質なクリーンバージョンに教師なし翻訳することで,医用画像の品質向上のための新しい画像間翻訳ネットワークであるMIINetを提案する。
我々のMIINetは、高解像度のクリーンな画像を生成するだけでなく、元の画像の属性を保存できるので、医師にとってより有利です。
100個の実用的喉画像のデハジング実験では,平均医師評価スコア(mdos)が大幅に改善され,2.36~4.11の基準値から画像の品質と再現性が評価され,サイクルガンによるデハジング画像は3.83の低値となった。
MIINetは、3人の医師によって、元の低画質画像から喉疾患の診断を支援するのに満足していると確認されている。
関連論文リスト
- 3D MedDiffusion: A 3D Medical Diffusion Model for Controllable and High-quality Medical Image Generation [47.701856217173244]
制御可能な高品質な3次元医用画像生成のための3Dメディカルディフュージョン(3Dメドディフュージョン)モデル
3D MedDiffusionは、パッチワイドエンコーディングによって医療画像を潜在空間に圧縮する、新しくて高効率なPatch-Volume Autoencoderを組み込んでいる。
3D MedDiffusion は, 再生品質において最先端の手法を超越し, スパースビューCT再構成, 高速MRI再構成, データ拡張などのタスクに強い一般化性を示すことを示す。
論文 参考訳(メタデータ) (2024-12-17T16:25:40Z) - FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳(メタデータ) (2024-10-29T21:37:03Z) - Lightening Anything in Medical Images [23.366303785451684]
我々はUniMIEという名前のUniMIE(Universal Medical Image Enhancement)のための、先駆的なトレーニングフリー拡散モデルを導入する。
UniMIEは、微調整を必要とせず、様々な医用画像モダリティにまたがる教師なしの強化能力を実証している。
我々は、13の画像モダリティと15以上の医療タイプを総合的に評価し、他のモダリティ特化モデルやデータ非効率モデルよりも優れた品質、堅牢性、正確性を示す。
論文 参考訳(メタデータ) (2024-06-01T05:07:50Z) - A Practical Framework for Unsupervised Structure Preservation Medical
Image Enhancement [9.453554184019108]
実際には、低品質(LQ)の医用画像、例えば、ぼんやりした画像は、データ取得時に取得されることが多い。
GAN(Generative Adversarial Network)に基づく画像強調手法が提案され,有望な結果が得られた。
構造保存の非参照客観的評価を含む,非教師なし医療画像強調のための枠組みを提案する。
論文 参考訳(メタデータ) (2023-04-04T15:13:44Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Improving Clinical Diagnosis Performance with Automated X-ray Scan
Quality Enhancement Algorithms [0.9137554315375919]
臨床診断において、医療画像には、ノイズ、ぼかし、故障装置によって導入された欠陥アーチファクトが含まれている可能性がある。
本稿では,医用画像の超解像処理に適応し,ベンチマークを行うための画像品質改善手法を提案する。
論文 参考訳(メタデータ) (2022-01-17T07:27:03Z) - Artifact- and content-specific quality assessment for MRI with image
rulers [11.551528894727573]
臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。
画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。
キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-06T02:17:12Z) - 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) - TrueImage: A Machine Learning Algorithm to Improve the Quality of
Telehealth Photos [8.27648210293057]
写真の品質が特に重要であるテレダーマトロジーに焦点をあてる。
遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。
これらの画像はしばしば、臨床写真撮影の経験がない患者のために、臨床診断を行うには不十分な品質であることが多い。
画像評価機械学習パイプラインTrueImageを提案し, 画質の悪い皮膚画像を検出し, 患者により良い写真撮影を指導する。
論文 参考訳(メタデータ) (2020-10-01T17:47:57Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
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。
論文 参考訳(メタデータ) (2020-05-12T08:01:16Z) - ElixirNet: Relation-aware Network Architecture Adaptation for Medical
Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。
DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文 参考訳(メタデータ) (2020-03-03T05:29:49Z)
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。