論文の概要: Retinal Image Restoration and Vessel Segmentation using Modified
Cycle-CBAM and CBAM-UNet
- arxiv url: http://arxiv.org/abs/2209.04234v1
- Date: Fri, 9 Sep 2022 10:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:04:53.428437
- Title: Retinal Image Restoration and Vessel Segmentation using Modified
Cycle-CBAM and CBAM-UNet
- Title（参考訳）: 改良回路CBAMとCBAM-UNetを用いた網膜画像再構成と血管分割
- Authors: Alnur Alimanov and Md Baharul Islam
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7868449549351486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical screening with low-quality fundus images is challenging and
significantly leads to misdiagnosis. This paper addresses the issue of
improving the retinal image quality and vessel segmentation through retinal
image restoration. More specifically, a cycle-consistent generative adversarial
network (CycleGAN) with a convolution block attention module (CBAM) is used for
retinal image restoration. A modified UNet is used for retinal vessel
segmentation for the restored retinal images (CBAM-UNet). The proposed model
consists of two generators and two discriminators. Generators translate images
from one domain to another, i.e., from low to high quality and vice versa.
Discriminators classify generated and original images. The retinal vessel
segmentation model uses downsampling, bottlenecking, and upsampling layers to
generate segmented images. The CBAM has been used to enhance the feature
extraction of these models. The proposed method does not require paired image
datasets, which are challenging to produce. Instead, it uses unpaired data that
consists of low- and high-quality fundus images retrieved from publicly
available datasets. The restoration performance of the proposed method was
evaluated using full-reference evaluation metrics, e.g., peak signal-to-noise
ratio (PSNR) and structural similarity index measure (SSIM). The retinal vessel
segmentation performance was compared with the ground-truth fundus images. The
proposed method can significantly reduce the degradation effects caused by
out-of-focus blurring, color distortion, low, high, and uneven illumination.
Experimental results show the effectiveness of the proposed method for retinal
image restoration and vessel segmentation.
- Abstract（参考訳）: 低画質の眼底画像による臨床検診は困難であり、誤診につながる。
本稿では,網膜画像修復による網膜画質の向上と血管分割の課題に対処する。
より具体的には、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)が網膜画像復元に使用される。
修正UNetは、回復網膜画像(CBAM-UNet)の網膜血管セグメンテーションに使用される。
提案モデルは2つの生成器と2つの判別器から構成される。
ジェネレータは、あるドメインから別のドメイン、すなわち低レベルから高品質へ画像を変換します。
識別器は生成された画像とオリジナル画像を分類する。
網膜血管セグメンテーションモデルは、ダウンサンプリング、ボトルネック、アップサンプリング層を使用してセグメンテーション画像を生成する。
CBAMはこれらのモデルの特徴抽出を強化するために使われてきた。
提案手法では,組画像データセットは不要であり,作成が困難である。
代わりに、公開データセットから取得した低品質および高品質なファンドイメージからなる非ペアデータを使用する。
提案手法の復元性能は,psnr(peak signal-to-noise ratio)やssim(structure similarity index measure)といったフルリファレンス評価指標を用いて評価した。
網膜血管のセグメンテーション性能は,底部画像と比較した。
提案手法は,焦点のずれ,色歪,低,高,不均一の照明による劣化効果を著しく低減できる。
実験結果から,網膜画像の回復と血管分割に対する提案手法の有効性が示された。
関連論文リスト
- Retinal Image Restoration using Transformer and Cycle-Consistent
Generative Adversarial Network [0.7868449549351486]
医療画像は様々な疾患の検出と治療に重要な役割を果たしている。
視覚変換器と畳み込みニューラルネットワークを用いた網膜画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-03-03T14:10:47Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳（メタデータ） (2022-03-18T15:26:05Z) - 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) - 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) - Deep learning-based bias transfer for overcoming laboratory differences
of microscopic images [0.0]
免疫蛍光(IF)およびヘマトキシリンおよびエオシン(H&E)染色顕微鏡画像の領域シフトを克服するために,既存の生成モデルアーキテクチャを評価し,比較し,改良する。
前立腺生検では,ヒト腎糸球体およびポドサイトに対するピクセルレベルのセグメンテーションが有意に向上し,分類精度が最大14%向上した。
論文 参考訳（メタデータ） (2021-05-25T09:02:30Z) - Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism [21.47219330040151]
我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。
我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
論文 参考訳（メタデータ） (2021-02-02T11:42:31Z) - 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) - 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) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2020-02-14T10:00:03Z)
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。