論文の概要: A Novel Hybrid Endoscopic Dataset for Evaluating Machine Learning-based
Photometric Image Enhancement Models
- arxiv url: http://arxiv.org/abs/2207.02396v1
- Date: Wed, 6 Jul 2022 01:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 01:41:51.807341
- Title: A Novel Hybrid Endoscopic Dataset for Evaluating Machine Learning-based
Photometric Image Enhancement Models
- Title（参考訳）: 機械学習に基づく測光画像強調モデル評価のための新しいハイブリッド内視鏡データセット
- Authors: Axel Garcia-Vega, Ricardo Espinosa, Gilberto Ochoa-Ruiz, Thomas Bazin,
Luis Eduardo Falcon-Morales, Dominique Lamarque, Christian Daul
- Abstract要約: 本研究は, 生成逆数的手法により生成される新しい合成データ集合を導入する。
また、過度の露光および過度の露光条件において、浅いベースと深層学習に基づく画像強調法の両方を探索する。
- 参考スコア（独自算出の注目度）: 0.9236074230806579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Endoscopy is the most widely used medical technique for cancer and polyp
detection inside hollow organs. However, images acquired by an endoscope are
frequently affected by illumination artefacts due to the enlightenment source
orientation. There exist two major issues when the endoscope's light source
pose suddenly changes: overexposed and underexposed tissue areas are produced.
These two scenarios can result in misdiagnosis due to the lack of information
in the affected zones or hamper the performance of various computer vision
methods (e.g., SLAM, structure from motion, optical flow) used during the non
invasive examination. The aim of this work is two-fold: i) to introduce a new
synthetically generated data-set generated by a generative adversarial
techniques and ii) and to explore both shallow based and deep learning-based
image-enhancement methods in overexposed and underexposed lighting conditions.
Best quantitative results (i.e., metric based results), were obtained by the
deep-learnnig-based LMSPEC method,besides a running time around 7.6 fps)
- Abstract（参考訳）: 内視鏡は中空臓器内のがんやポリープの検出に最も広く用いられる医療技術である。
しかし、内視鏡で取得した画像は、啓蒙源方位による照明アーチファクトに影響されることが多い。
内視鏡の光源が突然変化するとき、2つの大きな問題がある:過剰露出と過露出の組織領域が生成される。
これらの2つのシナリオは、非侵襲的な検査で使用される様々なコンピュータビジョン手法(SLAM、動きからの構造、光の流れなど)のパフォーマンスを阻害する、影響ゾーンの情報不足による誤診を引き起こす可能性がある。
この作品の目的は2つある。
一 生成的敵意的手法により生成された新規な合成生成データセットを導入すること。
二 過度の露光及び過度の露光における浅層学習と深層学習に基づく画像強調法の両方を探求すること。
最良定量結果(すなわちメートル法に基づく結果)はdeep-learnnigベースのlmspec法によって得られ、実行時間は7.6 fpsである。
関連論文リスト
- MetaFE-DE: Learning Meta Feature Embedding for Depth Estimation from Monocular Endoscopic Images [18.023231290573268]
既存の手法ではRGB画像から直接深度情報を推定する。
メタ機能埋め込み(MetaFE)と呼ばれる新しい概念を紹介する。
本稿では,分子内深度推定のための2段階の自己教師型学習パラダイムを提案する。
論文 参考訳（メタデータ） (2025-02-05T02:52:30Z) - MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳（メタデータ） (2024-12-12T15:01:39Z) - BGM: Background Mixup for X-ray Prohibited Items Detection [75.58709178012502]
本稿では,X線画像固有の特徴を活かして,禁止項目検出に適した新しいデータ拡張手法を提案する。
1) X線透過画像: 反射光画像とは異なり、透過X線画素は、撮像経路に沿った複数の材料からの合成情報を表す。
本稿では,セキュリティスクリーニングにおけるアイテム検出の禁止を目的とした,単純かつ効果的なX線画像強調手法であるバックグラウンドミキサップ(BGM)を提案する。
論文 参考訳（メタデータ） (2024-11-30T12:26:55Z) - BrightVAE: Luminosity Enhancement in Underexposed Endoscopic Images [6.687072439993227]
過度に露出した内視鏡画像は、コントラストの低下と不均一な明るさに悩まされることが多い。
階層型ベクトル量子変分オートエンコーダ(階層型VQ-VAE)に基づくアーキテクチャであるBrightVAEを紹介する。
私たちのアーキテクチャは、内視鏡画像に固有のユニークな課題に取り組むために慎重に設計されています。
論文 参考訳（メタデータ） (2024-11-22T01:41:27Z) - Leveraging Near-Field Lighting for Monocular Depth Estimation from Endoscopy Videos [12.497782583094281]
内視鏡ビデオにおける単眼深度推定は、補助手術やロボット手術により、臓器のより良いカバレッジと様々な健康問題の検出が可能になる。
主流の自然画像深度推定では有望な進歩があったが、内視鏡画像では技術が不十分であった。
本稿では, 内視鏡から放射される光を表面から反射する光学的手がかりを用いて, 単分子深度推定を改善する。
論文 参考訳（メタデータ） (2024-03-26T17:52:23Z) - LightNeuS: Neural Surface Reconstruction in Endoscopy using Illumination
Decline [45.49984459497878]
単眼内視鏡で取得した画像から3次元再構成を行う手法を提案する。
第一に、内的空洞は水密であり、符号付き距離関数でモデル化することによって自然に強制される性質である。
第二に、シーンの照明は可変であり、それは内視鏡の光源から来ており、四角い距離と表面との逆転で崩壊する。
論文 参考訳（メタデータ） (2023-09-06T06:41:40Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Multi-Scale Structural-aware Exposure Correction for Endoscopic Imaging [0.879504058268139]
このコントリビューションはLMSPECの目的関数の拡張であり、これはもともと自然のシーンからの画像を強化するために導入された方法である。
ここでは、内視鏡画像における露出補正と構造情報の保存に使用される。
Endo4IEデータセット上でテストされ、提案された実装は、オーバーエクスプロイトされた画像に対してそれぞれ4.40%と4.21%のSSIM増加を得た。
論文 参考訳（メタデータ） (2022-10-26T21:04:54Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - 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)
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。