論文の概要: RFormer: Transformer-based Generative Adversarial Network for Real Fundus Image Restoration on A New Clinical Benchmark

• arxiv url: http://arxiv.org/abs/2201.00466v1
• Date: Mon, 3 Jan 2022 03:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 15:21:55.240231
• Title: RFormer: Transformer-based Generative Adversarial Network for Real Fundus Image Restoration on A New Clinical Benchmark
• Title（参考訳）: rformer: トランスフォーマティブ・ジェネレーティブ・アドバーサリー・ネットワークによる実眼底画像復元 : 臨床ベンチマークによる検討
• Authors: Zhuo Deng, Yuanhao Cai, Lu Chen, Zheng Gong, Qiqi Bao, Xue Yao, Dong Fang, Shaochong Zhang, Lan Ma
• Abstract要約: 眼科医は眼疾患のスクリーニングと診断に眼底画像を使用している。 低品質 (LQ) 劣化した眼底画像は, 臨床検診における不確実性を引き起こしやすく, 一般的に誤診のリスクを増大させる。 本稿では, 臨床基礎画像の真の劣化を回復するために, トランスフォーマーベースの生成適応ネットワーク(RFormer)を提案する。
• 参考スコア（独自算出の注目度）: 8.109057397954537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ophthalmologists have used fundus images to screen and diagnose eye diseases. However, different equipments and ophthalmologists pose large variations to the quality of fundus images. Low-quality (LQ) degraded fundus images easily lead to uncertainty in clinical screening and generally increase the risk of misdiagnosis. Thus, real fundus image restoration is worth studying. Unfortunately, real clinical benchmark has not been explored for this task so far. In this paper, we investigate the real clinical fundus image restoration problem. Firstly, We establish a clinical dataset, Real Fundus (RF), including 120 low- and high-quality (HQ) image pairs. Then we propose a novel Transformer-based Generative Adversarial Network (RFormer) to restore the real degradation of clinical fundus images. The key component in our network is the Window-based Self-Attention Block (WSAB) which captures non-local self-similarity and long-range dependencies. To produce more visually pleasant results, a Transformer-based discriminator is introduced. Extensive experiments on our clinical benchmark show that the proposed RFormer significantly outperforms the state-of-the-art (SOTA) methods. In addition, experiments of downstream tasks such as vessel segmentation and optic disc/cup detection demonstrate that our proposed RFormer benefits clinical fundus image analysis and applications. The dataset, code, and models will be released.
• Abstract（参考訳）: 眼科医は眼疾患のスクリーニングと診断に眼底画像を用いた。 しかし、異なる機器や眼科医は、眼底画像の品質に大きな変化をもたらす。 低品質 (LQ) 劣化した眼底画像は, 臨床検診における不確実性の原因となり, 一般的に誤診のリスクが増大する。 したがって、実際の画像復元は研究に値する。 残念ながら、実際の臨床ベンチマークは今のところ調査されていない。 本稿では,実際の臨床眼底画像復元問題について検討する。 まず,120の低品質と高画質の画像ペアを含む臨床データセットであるReal Fundus(RF)を構築した。 次に,トランスフォーマーをベースとした新たな生成適応ネットワーク(RFormer)を提案し,臨床基礎画像の実際の劣化を復元する。 ネットワークの重要なコンポーネントは、非ローカルな自己相似性と長距離依存性をキャプチャするウィンドウベースの自己アテンションブロック(wsab)です。 より視覚的に快適な結果を生成するために、トランスベースの判別器が導入される。 臨床実験の結果,提案したRFormerは最先端(SOTA)法よりも優れていた。 さらに, 血管のセグメンテーションや光ディスク/カップ検出などの下流タスクの実験により, 提案するRFormerが臨床基礎画像解析や応用に有用であることを実証した。 データセット、コード、モデルがリリースされる予定だ。

関連論文リスト

• Step-Calibrated Diffusion for Biomedical Optical Image Restoration [47.191704042917394]
  再生ステップキャリブレーション拡散(Resorative Step-Calibrated Diffusion, RCD)は、画像修復法である。 RSCDは、画像復元問題を拡散ベース画像生成タスクの完了ステップとみなしている。 RSCDは、画像品質と知覚評価指標の両方において、他の広く使われている未使用画像復元方法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-20T15:38:53Z)
• Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。 経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
  論文  参考訳（メタデータ） (2023-04-29T16:11:34Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• 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)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Structure-consistent Restoration Network for Cataract Fundus Image Enhancement [33.000927682799016]
  眼底写真は、眼疾患の診断とモニタリングを行う診療所における定期的な検査である。 白内障患者の眼底画像は、常に曇りレンズによる品質劣化に悩まされる。 臨床診断の確実性を改善するため,底面画像の品質向上のための修復アルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2022-06-09T02:32:33Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。