論文の概要: Explainable Image Quality Assessments in Teledermatological Photography
- arxiv url: http://arxiv.org/abs/2209.04699v1
- Date: Sat, 10 Sep 2022 15:48:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 12:39:08.648386
- Title: Explainable Image Quality Assessments in Teledermatological Photography
- Title（参考訳）: テレダーマトロジー写真における説明可能な画質評価
- Authors: Raluca Jalaboi, Ole Winther, Alfiia Galimzianova
- Abstract要約: 画像の質は、皮膚科の相談の成功に欠かせない要素である。
患者が送った画像の最大50%は、品質上の問題がある。
本稿では,画像品質評価装置であるImageQXを紹介する。
- 参考スコア（独自算出の注目度）: 8.772468575761366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image quality is a crucial factor in the success of teledermatological
consultations. However, up to 50% of images sent by patients have quality
issues, thus increasing the time to diagnosis and treatment. An automated,
easily deployable, explainable method for assessing image quality is necessary
to improve the current teledermatological consultation flow. We introduce
ImageQX, a convolutional neural network trained for image quality assessment
with a learning mechanism for identifying the most common poor image quality
explanations: bad framing, bad lighting, blur, low resolution, and distance
issues. ImageQX was trained on 26635 photographs and validated on 9874
photographs, each annotated with image quality labels and poor image quality
explanations by up to 12 board-certified dermatologists. The photographic
images were taken between 2017-2019 using a mobile skin disease tracking
application accessible worldwide. Our method achieves expert-level performance
for both image quality assessment and poor image quality explanation. For image
quality assessment, ImageQX obtains a macro F1-score of 0.73 which places it
within standard deviation of the pairwise inter-rater F1-score of 0.77. For
poor image quality explanations, our method obtains F1-scores of between 0.37
and 0.70, similar to the inter-rater pairwise F1-score of between 0.24 and
0.83. Moreover, with a size of only 15 MB, ImageQX is easily deployable on
mobile devices. With an image quality detection performance similar to that of
dermatologists, incorporating ImageQX into the teledermatology flow can reduce
the image evaluation burden on dermatologists, while at the same time reducing
the time to diagnosis and treatment for patients. We introduce ImageQX, a first
of its kind explainable image quality assessor which leverages domain expertise
to improve the quality and efficiency of dermatological care in a virtual
setting.
- Abstract（参考訳）: 画像の質は、遠隔医療の成功の重要な要因である。
しかし、患者が送った画像の最大50%には品質の問題があり、診断と治療の時間が増加する。
画像品質評価のための自動化, デプロイ, 説明の容易な手法は, 現状の遠隔皮膚科コンサルテーションフローを改善するために必要である。
我々は、画像品質評価のために訓練された畳み込みニューラルネットワークであるImageQXを紹介し、悪いフレーミング、悪い照明、ぼやけ、解像度の低さ、距離の問題といった、最も一般的な画像品質の説明を識別する学習メカニズムについて紹介する。
imageqxは26635枚の写真で訓練され、9874枚の写真で検証された。
写真は2017年から2019年にかけて、世界中の皮膚疾患追跡アプリを使って撮影されました。
本手法は,画像品質評価と低画質説明の両方において,エキスパートレベルの性能を実現する。
画質評価のために、imageqx はマクロ f1-score を 0.73 とし、ペアワイズレート間f1-score の標準偏差 0.77 とする。
画像品質の悪い説明では,0.37～0.70のf1-scoreを,0.24〜0.83の対レート間f1-scoreに類似させる。
さらに、サイズがわずか15MBのImageQXは、モバイルデバイスに簡単にデプロイできる。
皮膚科医と同じような画像品質検出性能により、画像QXを皮膚科医の皮膚科医に対する画像評価負担を軽減すると同時に、患者の診断と治療の時間を短縮することができる。
imageqxは,仮想環境での皮膚科ケアの品質と効率を改善するために,ドメインの専門知識を活用した,説明可能な画像品質評価装置である。
関連論文リスト
- Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。
我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。
我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
論文 参考訳（メタデータ） (2024-05-14T12:43:43Z) - Less is More: Learning Reference Knowledge Using No-Reference Image
Quality Assessment [58.09173822651016]
No-Reference Image Quality Assessment 設定で参照知識を学習することは可能であると論じる。
非整列参照画像から比較知識を学習するための新しいフレームワークを提案する。
8つの標準NR-IQAデータセットの実験は、最先端のNR-IQA法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-12-01T13:56:01Z) - Helping Visually Impaired People Take Better Quality Pictures [52.03016269364854]
我々は、視覚障害者が共通の技術的歪みの発生を最小限に抑えるためのツールを開発する。
また、ユーザによる品質問題の緩和を支援する、プロトタイプのフィードバックシステムも作成しています。
論文 参考訳（メタデータ） (2023-05-14T04:37:53Z) - 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) - Development and Clinical Evaluation of an AI Support Tool for Improving
Telemedicine Photo Quality [9.638614577248648]
TrueImage 2.0は、遠隔医療のための患者の写真品質を評価するためのAIモデルである。
写真品質の改善のために、リアルタイムのフィードバックを提供する。
TrueImage 2.0では、画質の悪い患者を68.0%減らした。
論文 参考訳（メタデータ） (2022-09-12T23:08:17Z) - Shifted Windows Transformers for Medical Image Quality Assessment [0.0]
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。
論文 参考訳（メタデータ） (2022-08-11T20:39:26Z) - 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) - Artifact- and content-specific quality assessment for MRI with image
rulers [11.551528894727573]
臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。
画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。
キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-06T02:17:12Z) - 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) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - TrueImage: A Machine Learning Algorithm to Improve the Quality of
Telehealth Photos [8.27648210293057]
写真の品質が特に重要であるテレダーマトロジーに焦点をあてる。
遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。
これらの画像はしばしば、臨床写真撮影の経験がない患者のために、臨床診断を行うには不十分な品質であることが多い。
画像評価機械学習パイプラインTrueImageを提案し, 画質の悪い皮膚画像を検出し, 患者により良い写真撮影を指導する。
論文 参考訳（メタデータ） (2020-10-01T17:47:57Z)
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。