論文の概要: Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism
- arxiv url: http://arxiv.org/abs/2102.01445v1
- Date: Tue, 2 Feb 2021 11:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 17:36:52.825845
- Title: Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism
- Title(参考訳): 肺塞栓症自動検出のための多エネルギーCT画像からの低keV単色画像の予測
- Authors: Constantin Seibold, Matthias A. Fink, Charlotte Goos, Hans-Ulrich
Kauczor, Heinz-Peter Schlemmer, Rainer Stiefelhagen, Jens Kleesiek
- Abstract要約: 我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。
我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
- 参考スコア(独自算出の注目度): 21.47219330040151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detector-based spectral computed tomography is a recent dual-energy CT (DECT)
technology that offers the possibility of obtaining spectral information. From
this spectral data, different types of images can be derived, amongst others
virtual monoenergetic (monoE) images. MonoE images potentially exhibit
decreased artifacts, improve contrast, and overall contain lower noise values,
making them ideal candidates for better delineation and thus improved
diagnostic accuracy of vascular abnormalities.
In this paper, we are training convolutional neural networks~(CNN) that can
emulate the generation of monoE images from conventional single energy CT
acquisitions. For this task, we investigate several commonly used
image-translation methods. We demonstrate that these methods while creating
visually similar outputs, lead to a poorer performance when used for automatic
classification of pulmonary embolism (PE). We expand on these methods through
the use of a multi-task optimization approach, under which the networks achieve
improved classification as well as generation results, as reflected by PSNR and
SSIM scores. Further, evaluating our proposed framework on a subset of the
RSNA-PE challenge data set shows that we are able to improve the Area under the
Receiver Operating Characteristic curve (AuROC) in comparison to a na\"ive
classification approach from 0.8142 to 0.8420.
- Abstract(参考訳): 検出器ベースのスペクトル計算トモグラフィは、スペクトル情報を得る可能性を提供する最近のデュアルエネルギーCT(DECT)技術である。
このスペクトルデータから、他の仮想単エネルギー(monoE)画像と異なり、異なるタイプの画像を引き出すことができる。
MonoE画像は、アーチファクトが減少し、コントラストが改善し、全体的なノイズ値が低下し、血管異常の診断精度が向上する理想的な候補となります。
本稿では,従来の単エネルギーCTからのモノE画像の生成をエミュレートできる畳み込みニューラルネットワーク(CNN)を訓練している。
本研究では,よく用いられる画像変換手法について検討する。
これらの方法が視覚的に類似した出力を作成し、肺塞栓症(PE)の自動分類に使用されるとパフォーマンスが低下することを示しています。
psnrとssimスコアに反映されるように,ネットワークによる分類と生成結果の改善を実現するマルチタスク最適化手法を用いて,これらの手法を拡張した。
さらに,提案手法をrsna-peチャレンジデータセットのサブセット上で評価することにより,受信者動作特性曲線(auroc)下の領域を0.8142から0.8420までのna\"ive分類アプローチと比較して改善できることを示す。
関連論文リスト
- Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳(メタデータ) (2023-01-24T17:54:01Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳(メタデータ) (2022-12-07T13:39:23Z) - Conversion Between CT and MRI Images Using Diffusion and Score-Matching
Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。
以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。
本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文 参考訳(メタデータ) (2022-09-24T23:50:54Z) - Retinal Image Restoration and Vessel Segmentation using Modified
Cycle-CBAM and CBAM-UNet [0.7868449549351486]
畳み込みブロックアテンションモジュール(CBAM)を備えたサイクル一貫性生成対向ネットワーク(CycleGAN)を網膜画像復元に使用する。
修正されたUNetは、回復した網膜画像の網膜血管セグメンテーションに使用される。
提案手法は, アウト・オブ・フォーカスのぼかし, 色歪み, 低, 高, 不均一照明による劣化効果を著しく低減することができる。
論文 参考訳(メタデータ) (2022-09-09T10:47:20Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Neglectable effect of brain MRI data prepreprocessing for tumor
segmentation [55.51261784032216]
我々は,TCIA-GBMオープンソースデータセットを用いたマルチモーダルMRI脳がん画像セグメント化に関する総合的研究を報告する。
その結果、最も一般的な標準化手順は、ニューラルネットワークの性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳(メタデータ) (2021-12-23T19:20:38Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。