論文の概要: An Annotation-free Restoration Network for Cataractous Fundus Images

• arxiv url: http://arxiv.org/abs/2203.07737v1
• Date: Tue, 15 Mar 2022 09:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 14:49:44.460260
• Title: An Annotation-free Restoration Network for Cataractous Fundus Images
• Title（参考訳）: 白内障眼底画像の注釈のない復元ネットワーク
• Authors: Heng Li, Haofeng Liu, Yan Hu, Huazhu Fu, Yitian Zhao, Hanpei Miao, Jiang Liu
• Abstract要約: 白内障眼底画像の可読性を改善するために復元アルゴリズムを開発した。 アノテーションの要件は、クリニックにおけるこれらのアルゴリズムの適用を制限する。 本稿では,無注釈で白内障の眼底画像(ArcNet)を復元するネットワークを提案する。
• 参考スコア（独自算出の注目度）: 33.05266438479094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cataracts are the leading cause of vision loss worldwide. Restoration algorithms are developed to improve the readability of cataract fundus images in order to increase the certainty in diagnosis and treatment for cataract patients. Unfortunately, the requirement of annotation limits the application of these algorithms in clinics. This paper proposes a network to annotation-freely restore cataractous fundus images (ArcNet) so as to boost the clinical practicability of restoration. Annotations are unnecessary in ArcNet, where the high-frequency component is extracted from fundus images to replace segmentation in the preservation of retinal structures. The restoration model is learned from the synthesized images and adapted to real cataract images. Extensive experiments are implemented to verify the performance and effectiveness of ArcNet. Favorable performance is achieved using ArcNet against state-of-the-art algorithms, and the diagnosis of ocular fundus diseases in cataract patients is promoted by ArcNet. The capability of properly restoring cataractous images in the absence of annotated data promises the proposed algorithm outstanding clinical practicability.
• Abstract（参考訳）: 白内障は世界の視覚喪失の主な原因である。 白内障患者の診断と治療の確実性を高めるため,白内障眼底画像の可読性を向上させるために修復アルゴリズムを開発した。 残念ながら、アノテーションの要件はクリニックにおけるこれらのアルゴリズムの適用を制限する。 本稿では, 白内障性眼底画像(arcnet)をアノテーションフリーで復元し, 臨床応用可能性を高めるネットワークを提案する。 注釈はArcNetでは不要であり、眼底画像から高周波成分を抽出して網膜構造の保存におけるセグメンテーションを置き換える。 復元モデルは合成画像から学習し、実際の白内障画像に適用する。 ArcNetの性能と有効性を検証するために、大規模な実験が実施されている。 現状のアルゴリズムに対してArcNetを用いて良好な性能を達成し,白内障患者の眼底疾患の診断をArcNetで促進する。 注釈付きデータがない場合に白内障画像を適切に復元する能力は、提案アルゴリズムの優れた臨床実践性を約束する。

関連論文リスト

• Versatile Cataract Fundus Image Restoration Model Utilizing Unpaired Cataract and High-quality Images [16.340553839208035]
  本稿では,カチンテルという新しい白内障画像復元手法を確立する。 白内障画像合成モデルであるCatintell-Synと、復元モデルであるCatintell-Resを含んでいる。 Catintell-Synは、完全に教師なしのデータを持つGANアーキテクチャを使用して、現実的なスタイルとテクスチャを持つペアの白内障のようなイメージを生成する。 Catintell-Resは、実際の白内障原像の品質を向上させることができる画像復元ネットワークである。
  論文  参考訳（メタデータ） (2024-11-19T06:57:16Z)
• 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)
• RFormer: Transformer-based Generative Adversarial Network for Real Fundus Image Restoration on A New Clinical Benchmark [8.109057397954537]
  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。
  論文  参考訳（メタデータ） (2022-01-03T03:56:58Z)
• Artifact Reduction in Fundus Imaging using Cycle Consistent Adversarial Neural Networks [0.0]
  ディープラーニングは、人間の介入をあまり必要とせずにデータからパターンを抽出する強力なツールである。 根底のイメージに存在するこれらのアーティファクトを自動的に修正する試みが試みられている。 残余ブロックからなるCycleGANベースのモデルを用いて,画像中のアーティファクトを削減する。
  論文  参考訳（メタデータ） (2021-12-25T18:05:48Z)
• 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)
• MTCD: Cataract Detection via Near Infrared Eye Images [69.62768493464053]
  白内障は一般的な眼疾患であり、盲目や視力障害の主な原因の1つである。 近赤外画像を用いた白内障検出のための新しいアルゴリズムを提案する。 深層学習に基づくアイセグメンテーションとマルチタスクネットワーク分類ネットワークについて述べる。
  論文  参考訳（メタデータ） (2021-10-06T08:10:28Z)
• NuI-Go: Recursive Non-Local Encoder-Decoder Network for Retinal Image Non-Uniform Illumination Removal [96.12120000492962]
  網膜画像の画質は、眼の病変や不完全な画像処理のために臨床的に不満足であることが多い。 網膜画像における最も難しい品質劣化問題の1つは、一様でない照明である。 我々はNuI-Goと呼ばれる網膜画像に対する均一でない照明除去ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-07T04:31:33Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• 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)
• Dense Residual Network for Retinal Vessel Segmentation [8.778525346264466]
  走査型レーザー眼鏡視下網膜像において,血管の分画を効果的に行う方法を提案する。 U-Net,「機能マップの再利用」,残差学習に触発され,DRNetと呼ばれる高密度残差ネットワーク構造を提案する。 本手法は,データ拡張を伴わずとも最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-04-07T20:42:13Z)

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。