Fugu-MT 論文翻訳(概要): Shifted Windows Transformers for Medical Image Quality Assessment

論文の概要: Shifted Windows Transformers for Medical Image Quality Assessment

arxiv url: http://arxiv.org/abs/2208.06034v1
Date: Thu, 11 Aug 2022 20:39:26 GMT
ステータス: 処理完了
システム内更新日: 2022-08-15 13:36:33.163130
Title: Shifted Windows Transformers for Medical Image Quality Assessment
Title（参考訳）: 医用画像品質評価のためのシフトWindowsトランス
Authors: Caner Ozer, Arda Guler, Aysel Turkvatan Cansever, Deniz Alis, Ercan Karaarslan, Ilkay Oksuz
Abstract要約: CNNベースのアプローチは画像の品質を評価するために使用されるが、その性能は精度の観点からも改善できる。本研究では,Swin Transformerを用いて,画質の悪い画像分類性能を改善することで,この問題に対処する。我々の知る限りでは、医用画像品質評価のための最初のビジョントランスフォーマーアプリケーションである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To maintain a standard in a medical imaging study, images should have necessary image quality for potential diagnostic use. Although CNN-based approaches are used to assess the image quality, their performance can still be improved in terms of accuracy. In this work, we approach this problem by using Swin Transformer, which improves the poor-quality image classification performance that causes the degradation in medical image quality. We test our approach on Foreign Object Classification problem on Chest X-Rays (Object-CXR) and Left Ventricular Outflow Tract Classification problem on Cardiac MRI with a four-chamber view (LVOT). While we obtain a classification accuracy of 87.1% and 95.48% on the Object-CXR and LVOT datasets, our experimental results suggest that the use of Swin Transformer improves the Object-CXR classification performance while obtaining a comparable performance for the LVOT dataset. To the best of our knowledge, our study is the first vision transformer application for medical image quality assessment.
Abstract（参考訳）: 医用画像研究における基準を維持するためには,画像の診断に必要となる画質が必要である。 CNNベースのアプローチは画像の品質を評価するのに使われているが、精度の面でも性能は改善されている。本研究では,医療画像品質の低下を引き起こす品質の低い画像分類性能を改善するスウィントランスを用いて,この問題にアプローチする。胸部x線(object-cxr)の異物分類問題と心mriの左室流出路分類問題に対するアプローチを4チャンバービュー(lvot)を用いて検討した。我々は,Object-CXRおよびLVOTデータセットの分類精度が87.1%,95.48%であるのに対して,Swin Transformerの使用により,LVOTデータセットに匹敵する性能を得ながら,Object-CXR分類性能の向上が期待できる。私たちの知る限りでは、この研究は医療用画像品質評価のための最初の視覚トランスフォーマーアプリケーションです。

関連論文リスト

DCT-HistoTransformer: Efficient Lightweight Vision Transformer with DCT Integration for histopathological image analysis [0.0]
視覚変換器(ViTs)を用いた乳がんの新しい軽度分類法を提案する。離散コサイン変換(DCT)アテンションとMobileConvの並列処理経路を組み込むことで、空間領域の画像データを周波数領域に変換し、画像内の高周波数をフィルタリングするといった利点を利用する。提案モデルでは,バイナリ分類では96.00%$pm$0.48%,マルチクラス分類では87.85%$pm$0.93%の精度が得られた。
論文参考訳（メタデータ） (2024-10-24T21:16:56Z)
Blind CT Image Quality Assessment Using DDPM-derived Content and Transformer-based Evaluator [9.626301541775998]
ブラインド画像品質評価(BIQA)は、放射線学者が知覚するものと一致して知覚品質を評価する。本研究では,IMGのアクティブ推論過程をエミュレートする革新的なBIQA指標を提案する。われわれはMICCAI 2023において,低線量CTの知覚画像品質評価大挑戦で2位を獲得した。
論文参考訳（メタデータ） (2023-10-04T19:13:16Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
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)
Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文参考訳（メタデータ） (2022-08-22T13:57:04Z)
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)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文参考訳（メタデータ） (2021-08-18T02:35:08Z)
Residual Networks based Distortion Classification and Ranking for Laparoscopic Image Quality Assessment [12.374294852377382]
腹腔鏡画像やビデオは、ノイズ、煙、ぼやけ、均一でない照明など、様々な種類の歪みに影響されることが多い。本稿では,歪みの重大度レベル(またはランク)を考慮し,画像品質評価タスクを多ラベル分類問題として定式化する。腹腔鏡画像データセットで得られた結果は,提案手法の効率性を示す。
論文参考訳（メタデータ） (2021-06-12T14:26:11Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。