論文の概要: Deep-based quality assessment of medical images through domain
adaptation
- arxiv url: http://arxiv.org/abs/2210.10533v1
- Date: Wed, 19 Oct 2022 13:13:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:51:34.567359
- Title: Deep-based quality assessment of medical images through domain
adaptation
- Title(参考訳): 領域適応による医用画像の深部品質評価
- Authors: Marouane Tliba, Aymen Sekhri, Mohamed Amine Kerkouri, Aladine
Chetouani
- Abstract要約: 少量の注釈付きデータから、医療画像の品質を予測するための効率的で浅いモデルを提案する。
本モデルは画像の局所特性から複雑な表現をモデル化することを目的とした畳み込み自己意図に基づく。
また、ドメイン適応学習を教師なし、半教師なしの方法で適用する。
- 参考スコア(独自算出の注目度): 3.79277012005511
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting the quality of multimedia content is often needed in different
fields. In some applications, quality metrics are crucial with a high impact,
and can affect decision making such as diagnosis from medical multimedia. In
this paper, we focus on such applications by proposing an efficient and shallow
model for predicting the quality of medical images without reference from a
small amount of annotated data. Our model is based on convolution
self-attention that aims to model complex representation from relevant local
characteristics of images, which itself slide over the image to interpolate the
global quality score. We also apply domain adaptation learning in unsupervised
and semi-supervised manner. The proposed model is evaluated through a dataset
composed of several images and their corresponding subjective scores. The
obtained results showed the efficiency of the proposed method, but also, the
relevance of the applying domain adaptation to generalize over different
multimedia domains regarding the downstream task of perceptual quality
prediction. \footnote{Funded by the TIC-ART project, Regional fund (Region
Centre-Val de Loire)}
- Abstract(参考訳): マルチメディアコンテンツの品質を予測することは、しばしば異なる分野で必要となる。
一部のアプリケーションでは、品質指標は極めて重要であり、医療マルチメディアからの診断などの意思決定に影響を及ぼす可能性がある。
本稿では,少量のアノテートデータを参照せずに,医療画像の品質を予測するための,効率的かつ浅いモデルを提案する。
本モデルは,画像の局所的特徴から複雑な表現をモデル化することを目的とした畳み込み自己注意に基づく。
また、非教師なしおよび半教師なしの方法でドメイン適応学習を適用する。
提案モデルは,複数の画像と対応する主観的スコアからなるデータセットを用いて評価する。
その結果,提案手法の有効性が示されたが,提案手法の適用範囲は,知覚品質予測の下流課題に関して,異なるマルチメディア領域にまたがって一般化されている。
tic-art project, regional fund (region centre-val de loire) による。
関連論文リスト
- DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
拡散先行型IQA(DP-IQA)と呼ばれる新しいIQA法を提案する。
トレーニング済みの安定拡散をバックボーンとして使用し、復調するU-Netから多レベル特徴を抽出し、それらをデコードして画質スコアを推定する。
上記のモデルの知識をCNNベースの学生モデルに抽出し、適用性を高めるためにパラメータを大幅に削減する。
論文 参考訳(メタデータ) (2024-05-30T12:32:35Z) - Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。
提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
論文 参考訳(メタデータ) (2024-05-29T06:09:34Z) - A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。
胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。
医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文 参考訳(メタデータ) (2024-05-23T17:55:02Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and
Visual Explanations [4.022446255159328]
解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。
提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。
これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
論文 参考訳(メタデータ) (2023-12-04T13:09:00Z) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳(メタデータ) (2023-09-19T16:08:33Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳(メタデータ) (2023-06-16T01:46:07Z) - Adapting Pretrained Vision-Language Foundational Models to Medical
Imaging Domains [3.8137985834223502]
臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。
安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。
我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
論文 参考訳(メタデータ) (2022-10-09T01:43:08Z) - ScoreNet: Learning Non-Uniform Attention and Augmentation for
Transformer-Based Histopathological Image Classification [11.680355561258427]
高解像度画像はデジタル病理の進歩を妨げる。
パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。
本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。
局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
論文 参考訳(メタデータ) (2022-02-15T16:55:09Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。