論文の概要: A tomographic workflow to enable deep learning for X-ray based foreign object detection

• arxiv url: http://arxiv.org/abs/2201.12184v1
• Date: Fri, 28 Jan 2022 15:33:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 15:01:59.232857
• Title: A tomographic workflow to enable deep learning for X-ray based foreign object detection
• Title（参考訳）: x線異物検出のための深層学習を可能にするトモグラフィーワークフロー
• Authors: Math\'e T. Zeegers, Tristan van Leeuwen, Dani\"el M. Pelt, Sophia Bethany Coban, Robert van Liere, Kees Joost Batenburg
• Abstract要約: 異物検出の教師あり学習のためのトレーニングデータを生成するためのCT法を提案する。 外部オブジェクトの高品質な地上真実位置は、正確な3次元再構成とセグメンテーションによって得られる。 本稿では,従来のラジオグラフィアノテーションと比較して,客観的かつ再現的にトレーニングデータを生成できることの利点を概説する。
• 参考スコア（独自算出の注目度）: 0.7829352305480283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detection of unwanted (`foreign') objects within products is a common procedure in many branches of industry for maintaining production quality. X-ray imaging is a fast, non-invasive and widely applicable method for foreign object detection. Deep learning has recently emerged as a powerful approach for recognizing patterns in radiographs (i.e., X-ray images), enabling automated X-ray based foreign object detection. However, these methods require a large number of training examples and manual annotation of these examples is a subjective and laborious task. In this work, we propose a Computed Tomography (CT) based method for producing training data for supervised learning of foreign object detection, with minimal labour requirements. In our approach, a few representative objects are CT scanned and reconstructed in 3D. The radiographs that have been acquired as part of the CT-scan data serve as input for the machine learning method. High-quality ground truth locations of the foreign objects are obtained through accurate 3D reconstructions and segmentations. Using these segmented volumes, corresponding 2D segmentations are obtained by creating virtual projections. We outline the benefits of objectively and reproducibly generating training data in this way compared to conventional radiograph annotation. In addition, we show how the accuracy depends on the number of objects used for the CT reconstructions. The results show that in this workflow generally only a relatively small number of representative objects (i.e., fewer than 10) are needed to achieve adequate detection performance in an industrial setting. Moreover, for real experimental data we show that the workflow leads to higher foreign object detection accuracies than with standard radiograph annotation.
• Abstract（参考訳）: 製品内の望ましくない('foreign')オブジェクトの検出は、生産品質を維持するために多くの業界で一般的な手順である。 X線イメージングは、異物検出のための高速で非侵襲的で広く適用可能な方法である。 深層学習は最近、x線画像のパターンを認識する強力なアプローチとして登場し、x線ベースの外部物体の自動検出を可能にしている。 しかし、これらの方法には多数のトレーニング例が必要であり、手動アノテーションは主観的かつ手間のかかる作業である。 本研究では,作業量を最小限に抑えながら,異物検出の教師あり学習のための訓練データを生成するためのct法を提案する。 提案手法では,CTをスキャンして3Dで再構成する。 CTスキャンデータの一部として取得されたラジオグラフは、機械学習方法の入力として機能する。 外部オブジェクトの高品質な地上真実位置は、正確な3次元再構成とセグメンテーションによって得られる。 これらのセグメンテーションボリュームを用いて、仮想投影を作成することで対応する2次元セグメンテーションが得られる。 本稿では,従来のラジオグラフィアノテーションと比較して,客観的かつ再現的にトレーニングデータを生成する利点を概説する。 また,CT再建に使用する物体数によって精度がどう変わるかを示す。 その結果, 産業環境での適切な検出性能を実現するためには, 比較的少数の代表対象(すなわち10未満)しか必要とされないことがわかった。 さらに、実際の実験データでは、標準のラジオグラフアノテーションよりも外部物体検出精度が高いことが示されている。

関連論文リスト

• Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images [0.8793721044482612]
  本研究では,拡散確率モデル(DDPM)をランドマーク検出タスクに適用する新しい手法を提案する。 私たちの重要なイノベーションは、ランドマーク検出における自己教師付き事前トレーニングにDDPMを活用することです。 この方法は、最小限の注釈付きトレーニングデータで正確なランドマーク検出を可能にする。
  論文  参考訳（メタデータ） (2024-07-25T15:32:59Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• DR-WLC: Dimensionality Reduction cognition for object detection and pose estimation by Watching, Learning and Checking [30.58114448119465]
  既存の物体検出法とポーズ推定法は、主に訓練に同次元のデータを用いる。 次元減少認知モデルであるDR-WLCは、物体検出と推定タスクを同時に行うことができる。
  論文  参考訳（メタデータ） (2023-01-17T15:08:32Z)
• Fusing Local Similarities for Retrieval-based 3D Orientation Estimation of Unseen Objects [70.49392581592089]
  我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。 我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。 また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-03-16T08:53:00Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Tubular Shape Aware Data Generation for Semantic Segmentation in Medical Imaging [2.6673784948574215]
  本稿では, 管状物体の合成データ生成手法を提案する。 提案手法は,ペア画像マスクデータの必要性を排除し,弱いラベル付きデータセットのみを必要とする。 X線画像における管およびカテーテルの分割作業に対するアプローチの適用性について報告する。
  論文  参考訳（メタデータ） (2020-10-02T10:28:25Z)
• Separation of target anatomical structure and occlusions in chest radiographs [2.0478628221188497]
  本稿では,無線画像から望ましくない視覚構造を抑圧する完全畳み込みネットワークを提案する。 提案アルゴリズムは高分解能CTスキャンから再構成されたラジオグラフィーと地上構造データを生成する。
  論文  参考訳（メタデータ） (2020-02-03T14:01:06Z)

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。