論文の概要: Multi-scale Sparse Representation-Based Shadow Inpainting for Retinal
OCT Images
- arxiv url: http://arxiv.org/abs/2202.11377v1
- Date: Wed, 23 Feb 2022 09:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 23:13:34.774100
- Title: Multi-scale Sparse Representation-Based Shadow Inpainting for Retinal
OCT Images
- Title(参考訳): 網膜CT画像におけるマルチスケールスパース表現に基づくシャドーペイント
- Authors: Yaoqi Tang, Yufan Li, Hongshan Liu, Jiaxuan Li, Peiyao Jin, Yu Gan,
Yuye Ling, and Yikai Su
- Abstract要約: 網膜光コヒーレンス断層撮影(OCT)画像における表面血管による陰影領域の塗布は,正確で堅牢な機械解析と臨床診断に重要である。
近隣情報を伝播して徐々に行方不明地域を埋めるといった従来のシーケンスベースのアプローチは費用対効果が高い。
エンコーダ・デコーダネットワークのような深層学習に基づく手法は、自然な画像の描画タスクにおいて有望な結果を示している。
スパース表現と深層学習を相乗的に適用することにより,OCT画像のマルチスケールシャドウ塗装フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.261990490798442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inpainting shadowed regions cast by superficial blood vessels in retinal
optical coherence tomography (OCT) images is critical for accurate and robust
machine analysis and clinical diagnosis. Traditional sequence-based approaches
such as propagating neighboring information to gradually fill in the missing
regions are cost-effective. But they generate less satisfactory outcomes when
dealing with larger missing regions and texture-rich structures. Emerging deep
learning-based methods such as encoder-decoder networks have shown promising
results in natural image inpainting tasks. However, they typically need a long
computational time for network training in addition to the high demand on the
size of datasets, which makes it difficult to be applied on often small medical
datasets. To address these challenges, we propose a novel multi-scale shadow
inpainting framework for OCT images by synergically applying sparse
representation and deep learning: sparse representation is used to extract
features from a small amount of training images for further inpainting and to
regularize the image after the multi-scale image fusion, while convolutional
neural network (CNN) is employed to enhance the image quality. During the image
inpainting, we divide preprocessed input images into different branches based
on the shadow width to harvest complementary information from different scales.
Finally, a sparse representation-based regularizing module is designed to
refine the generated contents after multi-scale feature aggregation.
Experiments are conducted to compare our proposal versus both traditional and
deep learning-based techniques on synthetic and real-world shadows. Results
demonstrate that our proposed method achieves favorable image inpainting in
terms of visual quality and quantitative metrics, especially when wide shadows
are presented.
- Abstract(参考訳): 網膜光コヒーレンス断層撮影(OCT)画像における表面血管による陰影領域の塗布は,正確で堅牢な機械解析と臨床診断に重要である。
隣り合う情報を伝達し、欠落した領域を徐々に埋めるといった従来のシーケンスベースのアプローチはコスト効率がよい。
しかし、より大きな欠落領域やテクスチャに富んだ構造を扱うと満足のいく結果が得られなくなる。
エンコーダ-デコーダネットワークなどの深層学習に基づく手法が,自然画像インパインタスクにおいて有望な結果を示している。
しかし、通常、ネットワークトレーニングには、データセットのサイズに対する高い需要に加えて、長い計算時間を必要とするため、しばしば小さな医療データセットに適用することは困難である。
これらの課題に対処するために, スパース表現と深層学習を相乗的に適用することにより, OCT画像のための新しいマルチスケールシャドウ塗装フレームワークを提案する: スパース表現は, 少量のトレーニング画像から特徴を抽出し, マルチスケール画像融合後の画像を正規化し, 畳み込みニューラルネットワーク(CNN)を用いて画像品質を向上させる。
画像の塗布中に、影幅に基づいて前処理した入力画像を異なる枝に分割し、異なるスケールから補完情報を抽出する。
最後に、スパース表現に基づく正規化モジュールは、マルチスケールの機能集約後に生成されたコンテンツを洗練するように設計されている。
合成および実世界の影に関する従来の学習技術と深層学習技術の比較実験を行った。
その結果,提案手法は,特に広い影を呈する場合には,視覚品質や定量的指標の観点から好適な絵具が得られることがわかった。
関連論文リスト
- Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳(メタデータ) (2023-12-12T14:45:45Z) - 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) - Synthetic optical coherence tomography angiographs for detailed retinal
vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。
本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2023-06-19T14:01:47Z) - CEC-CNN: A Consecutive Expansion-Contraction Convolutional Network for
Very Small Resolution Medical Image Classification [0.8108972030676009]
深層・中層・浅層からのマルチスケール特徴を保存できる新しいCNNアーキテクチャを提案する。
膵管腺癌(PDAC)CTの超低解像度パッチのデータセットを用いて,我々のネットワークが最先端のアートモデルより優れていることを示す。
論文 参考訳(メタデータ) (2022-09-27T20:01:12Z) - Joint Learning of Deep Texture and High-Frequency Features for
Computer-Generated Image Detection [24.098604827919203]
本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。
セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。
原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
論文 参考訳(メタデータ) (2022-09-07T17:30:40Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - 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) - Learning Ultrasound Rendering from Cross-Sectional Model Slices for
Simulated Training [13.640630434743837]
計算シミュレーションは、バーチャルリアリティーにおけるそのようなスキルの訓練を容易にする。
インタラクティブな時間に任意のレンダリングやシミュレーションプロセスをバイパスするためにここに提案します。
我々は、専用のジェネレータアーキテクチャと入力供給方式を備えた生成的対向フレームワークを使用する。
論文 参考訳(メタデータ) (2021-01-20T21:58:19Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z)
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。