論文の概要: Analysis of Macula on Color Fundus Images Using Heightmap Reconstruction Through Deep Learning

• arxiv url: http://arxiv.org/abs/2012.14140v1
• Date: Mon, 28 Dec 2020 08:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:24:53.020756
• Title: Analysis of Macula on Color Fundus Images Using Heightmap Reconstruction Through Deep Learning
• Title（参考訳）: 深層学習による高度地図再構成によるカラーファウンダス画像上のマキュラの解析
• Authors: Peyman Tahghighi, Reza A.Zoroofi, Sare Safi, Alireza Ramezani
• Abstract要約: 段階的な改良と深い監督の活用によって出力の細部そして質を高める発電機のための新しいアーキテクチャを提案します。 提案手法は眼科医に診断のための追加情報を提供することができる。
• 参考スコア（独自算出の注目度）: 5.935761705025763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For medical diagnosis based on retinal images, a clear understanding of 3D structure is often required but due to the 2D nature of images captured, we cannot infer that information. However, by utilizing 3D reconstruction methods, we can recover the height information of the macula area on a fundus image which can be helpful for diagnosis and screening of macular disorders. Recent approaches have used shading information for heightmap prediction but their output was not accurate since they ignored the dependency between nearby pixels and only utilized shading information. Additionally, other methods were dependent on the availability of more than one image of the retina which is not available in practice. In this paper, motivated by the success of Conditional Generative Adversarial Networks(cGANs) and deeply supervised networks, we propose a novel architecture for the generator which enhances the details and the quality of output by progressive refinement and the use of deep supervision to reconstruct the height information of macula on a color fundus image. Comparisons on our own dataset illustrate that the proposed method outperforms all of the state-of-the-art methods in image translation and medical image translation on this particular task. Additionally, perceptual studies also indicate that the proposed method can provide additional information for ophthalmologists for diagnosis.
• Abstract（参考訳）: 網膜画像に基づく診断には、しばしば3次元構造の明確な理解が必要であるが、撮像された画像の2次元的な性質のため、その情報は推測できない。 しかし, 3次元再構成法を用いて, 眼底画像から黄斑領域の高さ情報を復元し, 黄斑疾患の診断・スクリーニングに役立てることができる。 近年の手法ではシェーディング情報をハイトマップ予測に用いているが、その出力は近くのピクセル間の依存性を無視し、シェーディング情報のみを利用するため正確ではなかった。 さらに、他の方法は、実際には利用できない複数の網膜の画像の可用性に依存していた。 本稿では,条件付き生成型adversarial network (cgans) と深い教師付きネットワークの成功に動機づけられ,カラーファンデース画像上のmaculaの高さ情報を再構築するために,段階的な改良と深層監視を用いて,出力の詳細と品質を向上させる新しいジェネレータのアーキテクチャを提案する。 独自のデータセットで比較した結果,提案手法は,画像翻訳や医用画像翻訳において最先端の手法のすべてに勝っていることがわかった。 また,提案手法が眼科医に診断のための追加情報を提供できることも示唆された。

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)
• Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
  コーンビームCT(CBCT)における画像品質向上のための深層学習技術 本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。 この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
  論文  参考訳（メタデータ） (2024-03-27T13:46:01Z)
• SdCT-GAN: Reconstructing CT from Biplanar X-Rays with Self-driven Generative Adversarial Networks [6.624839896733912]
  本稿では,3次元CT画像の再構成のための自己駆動型生成対向ネットワークモデル(SdCT-GAN)を提案する。 識別器に新しいオートエンコーダ構造を導入することにより、画像の詳細により多くの注意を払っている。 LPIPS評価基準は,既存画像よりも微細な輪郭やテクスチャを定量的に評価できる。
  論文  参考訳（メタデータ） (2023-09-10T08:16:02Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• 3D Matting: A Benchmark Study on Soft Segmentation Method for Pulmonary Nodules Applied in Computed Tomography [32.775884701366465]
  医用画像中の病変を3D領域に導入し,αマット(ソフトマスク)を用いて3D画像に病変を記述した。 この問題に対処するため,従来手法と深層学習法の両方を含む3Dマッティングの総合的研究を行った。 本稿では,最初のエンドツーエンドの3次元画像マッチングネットワークを提案し,医用3次元画像マッチングベンチマークを実装した。
  論文  参考訳（メタデータ） (2022-10-11T02:40:18Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• 3D Matting: A Soft Segmentation Method Applied in Computed Tomography [26.25446145993599]
  CT、MRI、PETなどの3次元画像は、医用画像の分野では一般的であり、臨床診断において重要である。 セマンティック曖昧さは多くの医用画像ラベルの典型的な特徴である。 2次元医用画像では、画像マッチングによって生成された2次元マスクの代わりにソフトマスクを用いることで、病変を特徴づけることができる。
  論文  参考訳（メタデータ） (2022-09-16T10:18:59Z)
• Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
  そこで本研究では,深度推定のためのドメイン適応手法を提案する。 提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。 実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
  論文  参考訳（メタデータ） (2021-09-24T08:11:34Z)
• 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)
• Heightmap Reconstruction of Macula on Color Fundus Images Using Conditional Generative Adversarial Networks [5.419608513284394]
  網膜診断における最も一般的なスクリーニングモダリティの1つである眼底画像は、その2D特性のため、この情報を欠いている。 そこで本研究では,一連のステップで細部を拡大するジェネレータのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-03T12:13:51Z)

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。