論文の概要: Impact of deep learning-based image super-resolution on binary signal
detection
- arxiv url: http://arxiv.org/abs/2107.02338v1
- Date: Tue, 6 Jul 2021 01:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:33:41.024406
- Title: Impact of deep learning-based image super-resolution on binary signal
detection
- Title（参考訳）: 深層学習に基づく画像超解像がバイナリ信号検出に及ぼす影響
- Authors: Xiaohui Zhang, Varun A. Kelkar, Jason Granstedt, Hua Li, Mark A.
Anastasio
- Abstract要約: 深層学習に基づく画像の超高解像度化は、医療画像の応用において大きな可能性を秘めている。
これらの手法が医用撮像タスクに関連する画像品質の客観的測定に与える影響は、まだ明らかになっていない。
超解像畳み込みニューラルネットワーク(SRCNN)と超解像生成対向ネットワーク(SRGAN)の2つの一般的なDL-SR法は、シミュレーションされた医用画像データを用いて訓練された。
- 参考スコア（独自算出の注目度）: 9.258523806715836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based image super-resolution (DL-SR) has shown great promise in
medical imaging applications. To date, most of the proposed methods for DL-SR
have only been assessed by use of traditional measures of image quality (IQ)
that are commonly employed in the field of computer vision. However, the impact
of these methods on objective measures of image quality that are relevant to
medical imaging tasks remains largely unexplored. In this study, we investigate
the impact of DL-SR methods on binary signal detection performance. Two popular
DL-SR methods, the super-resolution convolutional neural network (SRCNN) and
the super-resolution generative adversarial network (SRGAN), were trained by
use of simulated medical image data. Binary signal-known-exactly with
background-known-statistically (SKE/BKS) and signal-known-statistically with
background-known-statistically (SKS/BKS) detection tasks were formulated.
Numerical observers, which included a neural network-approximated ideal
observer and common linear numerical observers, were employed to assess the
impact of DL-SR on task performance. The impact of the complexity of the DL-SR
network architectures on task-performance was quantified. In addition, the
utility of DL-SR for improving the task-performance of sub-optimal observers
was investigated. Our numerical experiments confirmed that, as expected, DL-SR
could improve traditional measures of IQ. However, for many of the study
designs considered, the DL-SR methods provided little or no improvement in task
performance and could even degrade it. It was observed that DL-SR could improve
the task-performance of sub-optimal observers under certain conditions. The
presented study highlights the urgent need for the objective assessment of
DL-SR methods and suggests avenues for improving their efficacy in medical
imaging applications.
- Abstract（参考訳）: 深層学習に基づく画像超解像 (DL-SR) は医用画像の応用において非常に有望である。
これまで,提案手法の大部分は,コンピュータビジョンの分野で一般的に用いられている画像品質(IQ)の従来の測定方法によってのみ評価されてきた。
しかし、これらの方法が医用画像の課題にかかわる画質の客観的測定に与える影響はほとんど未解明である。
本研究では,DL-SR法がバイナリ信号検出性能に与える影響について検討する。
超解像畳み込みニューラルネットワーク(SRCNN)と超解像生成対向ネットワーク(SRGAN)の2つの一般的なDL-SR法は、シミュレーションされた医用画像データを用いて訓練された。
背景統計量(SKE/BKS)と信号統計量(SKS/BKS)とを両立する。
ニューラルネットワーク近似理想オブザーバと一般的な線形数値オブザーバを含む数値オブザーバを用いて、DL-SRがタスク性能に与える影響を評価する。
DL-SRネットワークアーキテクチャの複雑さがタスク性能に与える影響を定量化した。
さらに,準最適オブザーバのタスクパフォーマンス向上のためのDL-SRの有用性について検討した。
数値実験により、予想通り、DL-SRは従来のIQ対策を改善できることを確認した。
しかし、多くの研究設計が考慮されたため、DL-SR法はタスク性能をほとんどあるいは全く改善せず、分解する可能性さえあった。
dl-srは特定の条件下でのサブ最適オブザーバのタスク性能を向上させることが観察された。
本研究は, DL-SR法を客観的に評価するための緊急の必要性を強調し, 医用画像の応用における有効性向上への道筋を提案する。
関連論文リスト
- TV-based Deep 3D Self Super-Resolution for fMRI [41.08227909855111]
本稿では,DLネットワークと解析的アプローチとTotal Variation (TV)正規化を組み合わせた,新たな自己教師型DL SRモデルを提案する。
本手法は,外部GT画像の必要性を排除し,管理型DL技術と機能地図の保存による競合性能を実現する。
論文 参考訳（メタデータ） (2024-10-05T09:35:15Z) - Deep Learning for Accelerated and Robust MRI Reconstruction: a Review [28.663292249133864]
磁気共鳴イメージング(MRI)の重要技術として深層学習(DL)が登場した
本稿では,MRI再建のためのDLの最近の進歩について概説する。
論文 参考訳（メタデータ） (2024-04-24T07:02:03Z) - Less is more: Ensemble Learning for Retinal Disease Recognition Under
Limited Resources [12.119196313470887]
本稿では,限られた資源で網膜疾患を認識できる新しいアンサンブル学習機構を提案する。
このメカニズムは、複数の事前訓練されたモデルからの洞察を活用し、その知識を網膜CT画像に転送し適応させる。
論文 参考訳（メタデータ） (2024-02-15T06:58:25Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - Background Debiased SAR Target Recognition via Causal Interventional
Regularizer [13.49307175561975]
認識すべきSAR画像は、前景(すなわち、ターゲット)だけでなく、背景領域の一定の大きさも含んでいることを示す。
このことは、背景の存在は、DLモデルがターゲットに関する追加のセマンティック情報を学ぶ能力を妨げていることを示唆している。
本稿では,因果介入に基づく正規化手法を提案する。
論文 参考訳（メタデータ） (2023-08-30T02:56:55Z) - DEMIST: A deep-learning-based task-specific denoising approach for
myocardial perfusion SPECT [17.994633874783144]
MPI SPECT画像(DEMIST)を識別するタスク固有深層学習手法を提案する。
この手法は、デノゲーションを行う一方で、検出タスクにおけるオブザーバのパフォーマンスに影響を与える特徴を保存するように設計されている。
以上の結果から,MPI SPECTで低位像を呈示するDEMISTのさらなる臨床評価が示唆された。
論文 参考訳（メタデータ） (2023-06-07T08:40:25Z) - USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense
Active Learning for Super-resolution [47.38982697349244]
デンス回帰(Dense regression)は、画像の超解像、エンハンスメント、深さ推定などのタスクのためのコンピュータビジョンで広く使われているアプローチである。
この問題に対処するために,能動学習を高密度回帰モデルに組み込むことを提案する。
アクティブな学習により、モデルはラベル付けのための最も有益なサンプルを選択し、全体的なアノテーションコストを削減し、パフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2023-05-27T16:33:43Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳（メタデータ） (2023-05-26T07:35:49Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳（メタデータ） (2022-05-27T09:20:06Z) - Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction
of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。
深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。
MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文 参考訳（メタデータ） (2021-06-29T13:29:18Z)
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。