論文の概要: "One-Shot" Reduction of Additive Artifacts in Medical Images
- arxiv url: http://arxiv.org/abs/2110.12274v1
- Date: Sat, 23 Oct 2021 18:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 17:12:21.778586
- Title: "One-Shot" Reduction of Additive Artifacts in Medical Images
- Title（参考訳）: 医用画像中の添加物の「ワンショット」低減
- Authors: Yu-Jen Chen, Yen-Jung Chang, Shao-Cheng Wen, Yiyu Shi, Xiaowei Xu,
Tsung-Yi Ho, Meiping Huang, Haiyun Yuan, Jian Zhuang
- Abstract要約: 深層学習の力を利用するワンショット医用画像アーティファクトリダクション(OSAR)について,事前訓練された汎用ネットワークを使わずに紹介する。
具体的には,テスト時に入力画像から合成したデータを用いて,軽量な画像固有アーティファクト削減ネットワークを訓練する。
提案手法は, 試験時間を短縮して, 定性的に, 定量的に, 最先端の工芸品よりも優れた工芸品を削減できることを示す。
- 参考スコア（独自算出の注目度）: 17.354879155345376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical images may contain various types of artifacts with different patterns
and mixtures, which depend on many factors such as scan setting, machine
condition, patients' characteristics, surrounding environment, etc. However,
existing deep-learning-based artifact reduction methods are restricted by their
training set with specific predetermined artifact types and patterns. As such,
they have limited clinical adoption. In this paper, we introduce One-Shot
medical image Artifact Reduction (OSAR), which exploits the power of deep
learning but without using pre-trained general networks. Specifically, we train
a light-weight image-specific artifact reduction network using data synthesized
from the input image at test-time. Without requiring any prior large training
data set, OSAR can work with almost any medical images that contain varying
additive artifacts which are not in any existing data sets. In addition,
Computed Tomography (CT) and Magnetic Resonance Imaging (MRI) are used as
vehicles and show that the proposed method can reduce artifacts better than
state-of-the-art both qualitatively and quantitatively using shorter test time.
- Abstract（参考訳）: 医療画像には、スキャン設定、マシンコンディション、患者の特性、周囲の環境など多くの要因に依存する、パターンや混合物の異なるさまざまな種類のアーティファクトが含まれている可能性がある。
しかしながら、既存のディープラーニングに基づくアーティファクト削減方法は、特定の所定のアーティファクトタイプとパターンを持つトレーニングセットによって制限される。
そのため、臨床応用は限られている。
本稿では,深層学習のパワーを生かしたワンショット医用画像アーティファクトリダクション(OSAR)について,事前訓練された汎用ネットワークを使わずに紹介する。
具体的には,テスト時に入力画像から合成したデータを用いて,軽量画像固有アーティファクト削減ネットワークを訓練する。
以前の大規模なトレーニングデータセットを必要とせずに、OSARは既存のデータセットにない様々な付加的なアーティファクトを含む、ほとんどすべての医療画像を扱うことができる。
また,CTとMRIを車両として用いて,試験時間を短くすることで,最先端の工芸品を質的かつ定量的に削減できることを示す。
関連論文リスト
- Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - 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) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
運動アーティファクトはMRI(MRI)の品質を損なう
モーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場した
これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。
この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
論文 参考訳（メタデータ） (2023-01-04T18:02:59Z) - An efficient semi-supervised quality control system trained using
physics-based MRI-artefact generators and adversarial training [2.5855676778881334]
医用画像の欠陥を識別する既存の方法は、データ集約的なアプローチに依存している。
この問題に対処するために,4つの主要コンポーネントを持つフレームワークを提案する。
まず、物理に基づくアーティファクト生成装置は、データ拡張のために制御されたアーティファクトを持つ合成脳MRIスキャンを生成する。
第2に、構造MRIのための9つの異なるアーチファクトを識別するために、抽象的および工学的な画像特徴のプールを提案する。
第3に、アーティファクトベースの特徴選択ブロックを使用して、各アーティファクトのクラス毎に、最高の分類性能を提供する機能セットを見つける。
論文 参考訳（メタデータ） (2022-06-07T14:53:35Z) - Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。
本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-13T15:40:50Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳（メタデータ） (2021-10-09T16:09:27Z) - 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)
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。