論文の概要: R2C-GAN: Restore-to-Classify GANs for Blind X-Ray Restoration and
COVID-19 Classification
- arxiv url: http://arxiv.org/abs/2209.14770v1
- Date: Thu, 29 Sep 2022 13:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:53:20.045959
- Title: R2C-GAN: Restore-to-Classify GANs for Blind X-Ray Restoration and
COVID-19 Classification
- Title(参考訳): R2C-GAN:Blind X線修復とCOVID-19分類のためのGANの復元
- Authors: Mete Ahishali, Aysen Degerli, Serkan Kiranyaz, Tahir Hamid, Rashid
Mazhar, Moncef Gabbouj
- Abstract要約: 汎用画像復元と分類のための共同モデルを提案する: 生成的逆数ネットワーク(R2C-GAN)の再構築
このような共同最適化されたモデルは、回復後にどんな病気もそのまま維持する。
提案手法では, 90%以上のF1スコアが得られた。
- 参考スコア(独自算出の注目度): 21.94828429636306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restoration of poor quality images with a blended set of artifacts plays a
vital role for a reliable diagnosis. Existing studies have focused on specific
restoration problems such as image deblurring, denoising, and exposure
correction where there is usually a strong assumption on the artifact type and
severity. As a pioneer study in blind X-ray restoration, we propose a joint
model for generic image restoration and classification: Restore-to-Classify
Generative Adversarial Networks (R2C-GANs). Such a jointly optimized model
keeps any disease intact after the restoration. Therefore, this will naturally
lead to a higher diagnosis performance thanks to the improved X-ray image
quality. To accomplish this crucial objective, we define the restoration task
as an Image-to-Image translation problem from poor quality having noisy,
blurry, or over/under-exposed images to high quality image domain. The proposed
R2C-GAN model is able to learn forward and inverse transforms between the two
domains using unpaired training samples. Simultaneously, the joint
classification preserves the disease label during restoration. Moreover, the
R2C-GANs are equipped with operational layers/neurons reducing the network
depth and further boosting both restoration and classification performances.
The proposed joint model is extensively evaluated over the QaTa-COV19 dataset
for Coronavirus Disease 2019 (COVID-19) classification. The proposed
restoration approach achieves over 90% F1-Score which is significantly higher
than the performance of any deep model. Moreover, in the qualitative analysis,
the restoration performance of R2C-GANs is approved by a group of medical
doctors. We share the software implementation at
https://github.com/meteahishali/R2C-GAN.
- Abstract(参考訳): 品質の悪い画像と混合した人工物の復元は、信頼性の高い診断に不可欠な役割を担っている。
既存の研究は、通常、アーティファクトの種類と重大さに強い仮定がある画像のデブラリング、ノイズ除去、露出補正などの特定の修復問題に焦点を当てている。
ブラインドx線修復の先駆的研究として,汎用的な画像復元と分類のための共同モデル,restore-to-classify generative adversarial networks (r2c-gans)を提案する。
このような共同で最適化されたモデルは、回復後に病気を無傷に保つ。
そのため,X線画像の画質の向上により診断性能が向上する。
この目的を達成するために,画像から画像への変換問題として,ノイズやぼやけた画像,あるいは露出の過剰な画像から高画質の画像領域への復元タスクを定義する。
提案したR2C-GANモデルは、未ペアトレーニングサンプルを用いて、2つの領域間の前方および逆変換を学習することができる。
同時に、関節分類は修復中に疾患のラベルを保存する。
さらに、R2C-GANは、ネットワーク深度を低減し、復元性能と分類性能をさらに向上させる運用層/ニューロンを備えている。
提案した関節モデルは、コロナウイルス病2019(COVID-19)分類のためのQaTa-COV19データセットで広範囲に評価されている。
提案手法では, 90%以上のF1スコアが得られた。
さらに、定性分析では、R2C-GANの修復性能が医師のグループによって承認される。
ソフトウェアの実装はhttps://github.com/meteahishali/R2C-GANで公開しています。
関連論文リスト
- InstructIR: High-Quality Image Restoration Following Human Instructions [68.73167409192746]
本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。
InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
論文 参考訳(メタデータ) (2024-01-29T18:53:33Z) - 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) - DR2: Diffusion-based Robust Degradation Remover for Blind Face
Restoration [66.01846902242355]
ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。
トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。
本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
論文 参考訳(メタデータ) (2023-03-13T06:05:18Z) - Retinal Image Restoration and Vessel Segmentation using Modified
Cycle-CBAM and CBAM-UNet [0.7868449549351486]
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。
論文 参考訳(メタデータ) (2022-09-09T10:47:20Z) - Rethinking Degradation: Radiograph Super-Resolution via AID-SRGAN [9.599347633285635]
超解像超解像のための医療用 AttentIon Denoising Super Resolution Generative Adversarial Network (AID-SRGAN) を提案する。
我々の知る限りでは、これがX線画像に初めて提案された複合劣化モデルである。
提案手法はPSNRの311.90ドル,スケール係数は4倍であり,近年の成果よりも7.05%高い。
論文 参考訳(メタデータ) (2022-08-05T06:54:44Z) - 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) - 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) - 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) - 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) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳(メタデータ) (2020-04-23T10:24:34Z)
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。