論文の概要: Residual Networks based Distortion Classification and Ranking for Laparoscopic Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2106.06784v1
• Date: Sat, 12 Jun 2021 14:26:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:37:48.220550
• Title: Residual Networks based Distortion Classification and Ranking for Laparoscopic Image Quality Assessment
• Title（参考訳）: 画像品質評価のための残差ネットワークに基づく歪み分類とランク付け
• Authors: Zohaib Amjad Khan, Azeddine Beghdadi, Mounir Kaaniche and Faouzi Alaya Cheikh
• Abstract要約: 腹腔鏡画像やビデオは、ノイズ、煙、ぼやけ、均一でない照明など、様々な種類の歪みに影響されることが多い。 本稿では,歪みの重大度レベル(またはランク)を考慮し,画像品質評価タスクを多ラベル分類問題として定式化する。 腹腔鏡画像データセットで得られた結果は,提案手法の効率性を示す。
• 参考スコア（独自算出の注目度）: 12.374294852377382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Laparoscopic images and videos are often affected by different types of distortion like noise, smoke, blur and nonuniform illumination. Automatic detection of these distortions, followed generally by application of appropriate image quality enhancement methods, is critical to avoid errors during surgery. In this context, a crucial step involves an objective assessment of the image quality, which is a two-fold problem requiring both the classification of the distortion type affecting the image and the estimation of the severity level of that distortion. Unlike existing image quality measures which focus mainly on estimating a quality score, we propose in this paper to formulate the image quality assessment task as a multi-label classification problem taking into account both the type as well as the severity level (or rank) of distortions. Here, this problem is then solved by resorting to a deep neural networks based approach. The obtained results on a laparoscopic image dataset show the efficiency of the proposed approach.
• Abstract（参考訳）: 腹腔鏡画像やビデオは、ノイズ、煙、ぼやけ、不均一照明などの異なる種類の歪みによってしばしば影響を受ける。 これらの歪みの自動検出は、一般に適切な画質向上法の適用により、手術中の誤りを避けるために重要である。 この文脈において重要なステップは、画像品質の客観的評価であり、画像に影響を及ぼす歪みタイプの分類と、その歪みの重大度レベルの推定の両方を必要とする2次元の問題である。 本稿では,品質スコアを主に推定する既存の画像品質尺度と異なり,画像品質評価タスクを,そのタイプと歪みの重大度レベル(またはランク)の両方を考慮したマルチラベル分類問題として定式化する。 ここで、この問題はディープニューラルネットワークベースのアプローチによって解決される。 腹腔鏡画像データセットで得られた結果は,提案手法の効率性を示す。

関連論文リスト

• Blind Image Quality Assessment Using Multi-Stream Architecture with Spatial and Channel Attention [4.983104446206061]
  BIQA(Blind Image Quality Assessment)は、画像を自動的に評価する重要な研究分野である。 ほとんどのアルゴリズムは重要な関心領域を強調せずに品質を生成する。 この問題を解決するために,マルチストリーム空間およびチャネルアテンションに基づくアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2023-07-19T09:36:08Z)
• Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering [0.03262230127283451]
  超音波画像の品質は低く、サーバ間変動によるノイズの多いアノテーションに悩まされている。 我々は,手動アノテーションの負担と不確実性を解消するUnSupervised UltraSound Image Quality Assessment Network (US2QNet)を提案する。 提案手法は,最先端クラスタリング手法よりも精度が78%,性能が優れている。
  論文  参考訳（メタデータ） (2023-07-05T17:34:58Z)
• Explainable Image Quality Assessment for Medical Imaging [0.0]
  質の悪い医療画像は誤診につながる可能性がある。 本稿では,説明可能な画像品質評価システムを提案し,その考え方を2つの異なる目的に対して検証する。 本研究では,サリエンシ検出器の忠実度を測定するために,様々な手法を適用した。 我々は,NormGradがObject-CXRで0.853点,LVOTデータセットで0.611点,繰り返しポイントゲームで0.853点に達することで,他のサリエンシ検出器よりも顕著に向上したことを示す。
  論文  参考訳（メタデータ） (2023-03-25T14:18:39Z)
• Non-Reference Quality Monitoring of Digital Images using Gradient Statistics and Feedforward Neural Networks [0.1657441317977376]
  デジタル画像の品質を評価するために,非参照品質指標を提案する。 提案手法は,提案手法よりも高速で,画像系列の品質評価に利用することができる。
  論文  参考訳（メタデータ） (2021-12-27T20:21:55Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Estimating MRI Image Quality via Image Reconstruction Uncertainty [4.483523280360846]
  我々は、ノイズの多いデータからクリーンな画像を復元するために、異機種間不確実性モデルを用いてCNNを訓練する。 視覚評価における品質制御は,アルゴリズム処理における品質制御と同一視できない。
  論文  参考訳（メタデータ） (2021-06-21T11:22:17Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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)

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。