Fugu-MT 論文翻訳(概要): Structure-consistent Restoration Network for Cataract Fundus Image Enhancement

論文の概要: Structure-consistent Restoration Network for Cataract Fundus Image Enhancement

arxiv url: http://arxiv.org/abs/2206.04684v1
Date: Thu, 9 Jun 2022 02:32:33 GMT
ステータス: 処理完了
システム内更新日: 2022-06-13 14:59:42.193181
Title: Structure-consistent Restoration Network for Cataract Fundus Image Enhancement
Title（参考訳）: 白内障眼底画像強調のための構造整合復元ネットワーク
Authors: Heng Li, Haofeng Liu, Huazhu Fu, Hai Shu, Yitian Zhao, Xiaoling Luo, Yan Hu, Jiang Liu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 33.000927682799016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fundus photography is a routine examination in clinics to diagnose and monitor ocular diseases. However, for cataract patients, the fundus image always suffers quality degradation caused by the clouding lens. The degradation prevents reliable diagnosis by ophthalmologists or computer-aided systems. To improve the certainty in clinical diagnosis, restoration algorithms have been proposed to enhance the quality of fundus images. Unfortunately, challenges remain in the deployment of these algorithms, such as collecting sufficient training data and preserving retinal structures. In this paper, to circumvent the strict deployment requirement, a structure-consistent restoration network (SCR-Net) for cataract fundus images is developed from synthesized data that shares an identical structure. A cataract simulation model is firstly designed to collect synthesized cataract sets (SCS) formed by cataract fundus images sharing identical structures. Then high-frequency components (HFCs) are extracted from the SCS to constrain structure consistency such that the structure preservation in SCR-Net is enforced. The experiments demonstrate the effectiveness of SCR-Net in the comparison with state-of-the-art methods and the follow-up clinical applications. The code is available at https://github.com/liamheng/ArcNet-Medical-Image-Enhancement.
Abstract（参考訳）: 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。しかし白内障患者では、眼底画像は常に曇りレンズによる画質劣化に悩まされる。この劣化は、眼科医やコンピュータ支援システムによる信頼性の高い診断を防ぐ。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。残念ながら、十分なトレーニングデータを収集し、網膜構造を保存するなど、これらのアルゴリズムの展開における課題は残る。本稿では, 厳密な配置要求を回避するため, 同一構造を共有する合成データから白内障眼底画像の構造一貫性回復ネットワーク(SCR-Net)を開発した。白内障シミュレーションモデルが最初に設計され、同一構造を共有する白内障基底画像によって生成された合成白内障集合(SCS)を収集する。そして、SCSから高周波成分(HFC)を抽出し、SCR-Netの構造保存を強制するように構造一貫性を制約する。本実験は,SCR-Netの最先端手法との比較および臨床応用における有効性を示すものである。コードはhttps://github.com/liamheng/ArcNet-Medical-Image-Enhancementで公開されている。

関連論文リスト

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)
Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文参考訳（メタデータ） (2023-02-23T06:16:15Z)
OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
論文参考訳（メタデータ） (2023-02-06T18:39:40Z)
Degradation-invariant Enhancement of Fundus Images via Pyramid Constraint Network [27.374391253266428]
本稿では、劣化不変拡張ネットワーク(PCE-Net)を開発するためのピラミッド制約を提案する。高品質画像はランダムに劣化し、同一コンテンツを共有する低品質画像列(SeqLC)を形成する。次に、拡張のためのマルチレベル入力として、個々の低画質画像をラプラシアピラミッド特徴(LPF)に分解する。
論文参考訳（メタデータ） (2022-10-18T05:45:13Z)
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)
An Annotation-free Restoration Network for Cataractous Fundus Images [33.05266438479094]
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。
論文参考訳（メタデータ） (2022-03-15T09:11:48Z)
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)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
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)
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。