論文の概要: Image Quality Assessment for Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2203.07809v1
- Date: Tue, 15 Mar 2022 11:52:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 15:39:47.719329
- Title: Image Quality Assessment for Magnetic Resonance Imaging
- Title（参考訳）: 磁気共鳴画像の画質評価
- Authors: Segrey Kastryulin and Jamil Zakirov and Nicola Pezzotti and Dmitry V.
Dylov
- Abstract要約: 画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。
我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。
7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
- 参考スコア（独自算出の注目度）: 4.05136808278614
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Image quality assessment (IQA) algorithms aim to reproduce the human's
perception of the image quality. The growing popularity of image enhancement,
generation, and recovery models instigated the development of many methods to
assess their performance. However, most IQA solutions are designed to predict
image quality in the general domain, with the applicability to specific areas,
such as medical imaging, remaining questionable. Moreover, the selection of
these IQA metrics for a specific task typically involves intentionally induced
distortions, such as manually added noise or artificial blurring; yet, the
chosen metrics are then used to judge the output of real-life computer vision
models. In this work, we aspire to fill these gaps by carrying out the most
extensive IQA evaluation study for Magnetic Resonance Imaging (MRI) to date
(14,700 subjective scores). We use outputs of neural network models trained to
solve problems relevant to MRI, including image reconstruction in the scan
acceleration, motion correction, and denoising. Seven trained radiologists
assess these distorted images, with their verdicts then correlated with 35
different image quality metrics (full-reference, no-reference, and
distribution-based metrics considered). Our emphasis is on reflecting the
radiologist's perception of the reconstructed images, gauging the most
diagnostically influential criteria for the quality of MRI scans:
signal-to-noise ratio, contrast-to-noise ratio, and the presence of artifacts.
- Abstract（参考訳）: 画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。
画像の強化、生成、回復モデルの人気が高まり、その性能を評価する多くの方法の開発が進められた。
しかし、ほとんどのiqaソリューションは、医用画像など特定の領域に適用可能なため、一般的なドメインで画像品質を予測するように設計されている。
さらに、特定のタスクに対するこれらのIQAメトリクスの選択は、通常、手動によるノイズや人工的ぼかしなどの意図的に引き起こされる歪みを伴うが、選択されたメトリクスは実際のコンピュータビジョンモデルの出力を判断するために使用される。
本研究では,これまで最も広範囲にわたる磁気共鳴イメージング(mri)のiqa評価研究(主観スコア14,700)を行い,これらのギャップを埋めようとしている。
mriに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使い、スキャン加速度における画像再構成、動きの補正、ノイズ除去などを行う。
7人の放射線学者がこれらの歪んだ画像を評価し、その判定は35の異なる画像品質指標(フル参照、ノン参照、分布ベースメトリクス)と相関した。
我々は,再建画像に対する放射線技師の認識を反映し,MRIスキャンの品質に関する最も診断に影響を及ぼす基準である,信号対雑音比,コントラスト対雑音比,人工物の存在について考察した。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - A Deep-Learning-Based Label-free No-Reference Image Quality Assessment Metric: Application in Sodium MRI Denoising [0.0]
ナトリウムMRIのような新しいMRI技術は、本質的に低信号のため、画像の質が低いのが一般的である。
ディープラーニングモデルは、特有のトレーニングセットに特化しているという点において、ユニークな特徴を持っている。
そこで本研究では,新しいDLベースの NR-IQA メトリックである Model Metric (MSM) を提案する。
論文 参考訳（メタデータ） (2024-08-29T12:16:55Z) - Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs [0.0]
本研究では,3次元ResNetをトレーニングすることで脳MRI品質を評価するための,ディープラーニングに基づく新しい非参照手法を提案する。
このネットワークは、MRIスキャンでよく見られる6つの異なるアーティファクトで品質を推定するように設計されている。
その結果、歪みを正確に推定し、複数の視点から画質を反映する性能が向上した。
論文 参考訳（メタデータ） (2024-07-20T22:05:30Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - 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) - Explainable Image Quality Assessment for Medical Imaging [0.0]
質の悪い医療画像は誤診につながる可能性がある。
本稿では,説明可能な画像品質評価システムを提案し,その考え方を2つの異なる目的に対して検証する。
本研究では,サリエンシ検出器の忠実度を測定するために,様々な手法を適用した。
我々は,NormGradがObject-CXRで0.853点,LVOTデータセットで0.611点,繰り返しポイントゲームで0.853点に達することで,他のサリエンシ検出器よりも顕著に向上したことを示す。
論文 参考訳（メタデータ） (2023-03-25T14:18:39Z) - 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) - Artifact- and content-specific quality assessment for MRI with image
rulers [11.551528894727573]
臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。
画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。
キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-06T02:17:12Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - MRQy: An Open-Source Tool for Quality Control of MR Imaging Data [1.5172095934925576]
このツールは、(a)画像解像度、視野、画像コントラスト、または(b)ノイズ、運動、不均一性、リング、エイリアスなどの画像アーティファクトにおけるサイトまたはスキャナー固有のバリエーションの存在を定量化することを目的としている。
MRQyは、MRIコホートにサイトベースや機器ベースの違いを問うためのオープンソースの品質管理ツールである。
論文 参考訳（メタデータ） (2020-04-10T01:30:51Z)
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。