論文の概要: RTN: Reinforced Transformer Network for Coronary CT Angiography
Vessel-level Image Quality Assessment
- arxiv url: http://arxiv.org/abs/2207.06177v1
- Date: Wed, 13 Jul 2022 13:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 15:34:01.339503
- Title: RTN: Reinforced Transformer Network for Coronary CT Angiography
Vessel-level Image Quality Assessment
- Title（参考訳）: RTN:冠状動脈造影血管画像品質評価のための強化トランスネットワーク
- Authors: Yiting Lu, Jun Fu, Xin Li, Wei Zhou, Sen Liu, Xinxin Zhang, Congfu
Jia, Ying Liu, Zhibo Chen
- Abstract要約: CCTA Vessel-level Image Quality Assessment (CCTA VIQA)アルゴリズムは、エラー診断のリスクを低減するために用いられる。
CCTA VIQAの主な課題は、最終品質を決定する冠の局所的な部分を見つけることが難しいことである。
本稿では,CCTA VIQAの品質関連/負のインスタンスを段階的に除去する,プログレッシブ強化学習に基づくインスタンス識別モジュール(PRID)を提案する。
- 参考スコア（独自算出の注目度）: 30.68297239276188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronary CT Angiography (CCTA) is susceptible to various distortions (e.g.,
artifacts and noise), which severely compromise the exact diagnosis of
cardiovascular diseases. The appropriate CCTA Vessel-level Image Quality
Assessment (CCTA VIQA) algorithm can be used to reduce the risk of error
diagnosis. The primary challenges of CCTA VIQA are that the local part of
coronary that determines final quality is hard to locate. To tackle the
challenge, we formulate CCTA VIQA as a multiple-instance learning (MIL)
problem, and exploit Transformer-based MIL backbone (termed as T-MIL) to
aggregate the multiple instances along the coronary centerline into the final
quality. However, not all instances are informative for final quality. There
are some quality-irrelevant/negative instances intervening the exact quality
assessment(e.g., instances covering only background or the coronary in
instances is not identifiable). Therefore, we propose a Progressive
Reinforcement learning based Instance Discarding module (termed as PRID) to
progressively remove quality-irrelevant/negative instances for CCTA VIQA. Based
on the above two modules, we propose a Reinforced Transformer Network (RTN) for
automatic CCTA VIQA based on end-to-end optimization. Extensive experimental
results demonstrate that our proposed method achieves the state-of-the-art
performance on the real-world CCTA dataset, exceeding previous MIL methods by a
large margin.
- Abstract（参考訳）: 冠動脈ctアンギオグラフィー(ccta)は、心血管疾患の正確な診断を著しく損なう様々な歪み(アーティファクトやノイズなど)に影響を受けやすい。
CCTA Vessel-level Image Quality Assessment (CCTA VIQA)アルゴリズムは、エラー診断のリスクを低減するために用いられる。
CCTA VIQAの主な課題は、最終品質を決定する冠の局所的な部分を見つけることが難しいことである。
この課題に対処するために、CCTA VIQAをMIL(Multiple-instance Learning)問題として定式化し、TransformerベースのMILバックボーン(T-MIL)を利用して、冠中心線に沿った複数のインスタンスを最終品質に集約する。
しかし、すべてのインスタンスが最終品質に役立っているわけではない。
正確な品質評価にかかわる品質無関係/負のインスタンスがいくつかある(例えば、背景のみをカバーするインスタンスや、インスタンス内の冠動脈のみを識別できない)。
そこで本研究では,CCTA VIQAにおける品質関連/負のインスタンスを段階的に除去する,プログレッシブ強化学習に基づくインスタンス識別モジュール(PRID)を提案する。
上述の2つのモジュールに基づいて,エンドツーエンド最適化に基づく自動CCTA VIQAのためのReinforced Transformer Network (RTN)を提案する。
広範な実験結果から,本手法は実世界のcctaデータセットにおける最先端性能を達成し,従来法を大きく上回った。
関連論文リスト
- Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。
我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。
提案手法は,最新のPCQA手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2024-03-15T07:16:07Z) - Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T06:50:27Z) - Simple Baselines for Projection-based Full-reference and No-reference
Point Cloud Quality Assessment [60.2709006613171]
投影型ポイントクラウド品質評価(PCQA)のための簡易ベースラインを提案する。
我々は、全参照(FR)タスクと非参照(NR)PCQAタスクの両方に対して、点雲から共通立方体状の投影プロセスによって得られる多重射影を用いる。
ICIP 2023 PCVQA Challengeに参加して,5トラック中4トラックで首位を獲得した。
論文 参考訳（メタデータ） (2023-10-26T04:42:57Z) - Neighbourhood Representative Sampling for Efficient End-to-end Video
Quality Assessment [60.57703721744873]
リアルタイムビデオの高解像度化は、VQA(Deep Video Quality Assessment)の効率性と精度のジレンマを示す
そこで本研究では,空間時空間格子型ミニキューブサンプリング(St-GMS)を統一的に提案し,新しいタイプのフラグメントを抽出する。
フラグメントとFANetにより、提案された効率的なエンドツーエンドのFAST-VQAとFasterVQAは、既存のVQAベンチマークよりも大幅にパフォーマンスが向上した。
論文 参考訳（メタデータ） (2022-10-11T11:38:07Z) - Multiplex-detection Based Multiple Instance Learning Network for Whole
Slide Image Classification [2.61155594652503]
マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。
本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。
具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
論文 参考訳（メタデータ） (2022-08-06T14:36:48Z) - RPLHR-CT Dataset and Transformer Baseline for Volumetric
Super-Resolution from CT Scans [12.066026343488453]
粗い解像度は、医師またはコンピュータ支援診断アルゴリズムによる医学的診断の困難を引き起こす可能性がある。
深層学習に基づく容積超解法(SR法)は、解法を改善するための実現可能な方法である。
本稿では,RPLHR-CTをボリュームSRのベンチマークとして構築した。
また,CNNの固有の欠点を考慮し,アテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。
論文 参考訳（メタデータ） (2022-06-13T15:35:59Z) - Degraded Reference Image Quality Assessment [23.871178105179883]
劣化参照IQA(DR IQA)と呼ばれる新しいパラダイムの確立に向けた最初の試みの1つを行う。
具体的には、DR IQAのアーキテクチャをレイアウトし、構成の選択を示す6ビットコードを導入する。
DR IQA専用の最初の大規模データベースを構築し,公開する。
論文 参考訳（メタデータ） (2021-10-28T05:50:59Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳（メタデータ） (2020-06-23T23:15:54Z)
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。