論文の概要: Reference Based Color Transfer for Medical Volume Rendering
- arxiv url: http://arxiv.org/abs/2210.08083v1
- Date: Fri, 14 Oct 2022 20:14:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 18:00:23.330949
- Title: Reference Based Color Transfer for Medical Volume Rendering
- Title(参考訳): 医用ボリュームレンダリングのための参照ベースカラー転送
- Authors: Sudarshan Devkota, Summanta Pattanaik
- Abstract要約: CTスキャン、X線、MRI画像などの従来の単色医療画像から解剖学的構造の色のついた3D表現への移行により、医療専門家が貴重な医療情報を抽出する能力がさらに向上する。
グレースケールの医用画像のスタックからカラーボリュームレンダリングを行うために,この手法を拡張した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The benefits of medical imaging are enormous. Medical images provide
considerable amounts of anatomical information and this facilitates medical
practitioners in performing effective disease diagnosis and deciding upon the
best course of medical treatment. A transition from traditional monochromatic
medical images like CT scans, X-Rays or MRI images to a colored 3D
representation of the anatomical structure further enhances the capabilities of
medical professionals in extracting valuable medical information. The proposed
framework in our research starts with performing color transfer by finding deep
semantic correspondence between two medical images: a colored reference image,
and a monochromatic CT scan or an MRI image. We extend this idea of
reference-based colorization technique to perform colored volume rendering from
a stack of grayscale medical images. Furthermore, we also propose to use an
effective reference image recommendation system to aid in the selection of good
reference images. With our approach, we successfully perform colored medical
volume visualization and essentially eliminate the painstaking process of user
interaction with a transfer function to obtain color and opacity parameters for
volume rendering.
- Abstract(参考訳): 医療画像の利点は大きい。
医療画像は十分な解剖学的情報を提供し、医療従事者が効果的な疾患診断を行い、最善の治療法を決定するのを手助けする。
CTスキャン、X線、MRI画像などの従来の単色医療画像から解剖学的構造の色のついた3D表現への移行により、医療専門家が貴重な医療情報を抽出する能力がさらに向上する。
本研究で提案する枠組みは,2つの医用画像(有色基準画像,単色ct画像,mri画像)間の深い意味的対応を見つけ,色伝達を行うことから始まる。
本稿では,この基準ベースのカラー化手法を拡張し,グレースケールの医用画像のスタックからカラーボリュームレンダリングを行う。
また,優れた参照画像の選択を支援するために,効果的な参照画像レコメンデーションシステムを提案する。
提案手法では,カラー医用ボリュームの可視化に成功し,転送機能とユーザインタラクションの手間を省き,ボリュームレンダリングのための色と不透明度パラメータを求める。
関連論文リスト
- Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳(メタデータ) (2023-12-11T02:27:45Z) - Unified Medical Image Pre-training in Language-Guided Common Semantic
Space [41.10756702551621]
我々はUnified Medical Image Pre-Trainingフレームワーク(UniMedI)を提案する。
UniMedIは、診断レポートを一般的な意味空間として使用し、医療画像の多様なモダリティの統一表現を作成する。
10種類のデータセットにまたがる2次元画像と3次元画像の性能評価を行った。
論文 参考訳(メタデータ) (2023-11-24T22:01:12Z) - Sam-Guided Enhanced Fine-Grained Encoding with Mixed Semantic Learning
for Medical Image Captioning [12.10183458424711]
本稿では, セグメンション・アプライス・モデル (SAM) でガイドされた新しい医用画像キャプション法について述べる。
本手法では, 医用画像の総合的情報と細部を同時に捉えるために, セマンティック学習を併用した独特な事前学習戦略を採用している。
論文 参考訳(メタデータ) (2023-11-02T05:44:13Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Semantic segmentation of multispectral photoacoustic images using deep
learning [53.65837038435433]
光音響イメージングは医療に革命をもたらす可能性がある。
この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。
本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-20T09:33:55Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T20:05:35Z) - Stain Style Transfer of Histopathology Images Via Structure-Preserved
Generative Learning [31.254432319814864]
本研究では,SSIM-GANとDSCSI-GANの2つのステンスタイル転送モデルを提案する。
学習における構造保存指標と補助診断ネットのフィードバックを協調することにより、医療関連情報をカラー正規化画像に保存する。
論文 参考訳(メタデータ) (2020-07-24T15:30:19Z) - Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。
MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。
しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
論文 参考訳(メタデータ) (2020-07-14T23:22:04Z) - Bridging the gap between Natural and Medical Images through Deep
Colorization [15.585095421320922]
自然画像収集からの伝達学習は、形状、テクスチャ、色の違いに対処しようとする標準的な実践である。
本研究では,これらの課題を解消し,色適応に着目した専用ネットワークモジュールの設計を提案する。
カラーモジュールのスクラッチからの学習と異なる分類バックボーンの伝達学習を組み合わせることで、画像認識のためのエンドツーエンドで簡単にトレーニングできるアーキテクチャを得る。
論文 参考訳(メタデータ) (2020-05-21T12:03:14Z) - 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) - Medical Image Enhancement Using Histogram Processing and Feature
Extraction for Cancer Classification [5.156484100374058]
ヒストグラム等化技術は、画像の質を向上し、よく定義された問題を与えるのに役立つ。
また,K-meansアルゴリズムを用いて,脳の腫瘍部分の分画と抽出を行った。
論文 参考訳(メタデータ) (2020-03-14T12:11:23Z)
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。