論文の概要: Task-Based Assessment for Neural Networks: Evaluating Undersampled MRI Reconstructions based on Human Observer Signal Detection

• arxiv url: http://arxiv.org/abs/2210.12161v1
• Date: Fri, 21 Oct 2022 16:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:28:39.358599
• Title: Task-Based Assessment for Neural Networks: Evaluating Undersampled MRI Reconstructions based on Human Observer Signal Detection
• Title（参考訳）: ニューラルネットワークのタスクベース評価:人間の観察信号検出に基づくmri再構成の評価
• Authors: Joshua D. Herman (1), Rachel E. Roca (1), Alexandra G. O'Neill (1), Marcus L. Wong (1), Sajan G. Lingala (2), Angel R. Pineda (1) ((1) Mathematics Department, Manhattan College, NY, (2) Roy J. Carver Department of Biomedical Engineering, University of Iowa, Iowa City)
• Abstract要約: 正規化ルート平均二乗誤差(NRMSE)や構造類似度(SSIM)などの画像品質を評価するための一般的な指標は、画像の微妙な特徴の影響を平均化するグローバルな指標である。 我々は,特定のタスクに微妙な信号を組み込んだ画像品質測定を用いて,アンダーサンプの効果を局所的に評価する画像品質評価を行った。
• 参考スコア（独自算出の注目度）: 45.82374977939355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research has explored using neural networks to reconstruct undersampled magnetic resonance imaging (MRI) data. Because of the complexity of the artifacts in the reconstructed images, there is a need to develop task-based approaches of image quality. Common metrics for evaluating image quality like the normalized root mean squared error (NRMSE) and structural similarity (SSIM) are global metrics which average out impact of subtle features in the images. Using measures of image quality which incorporate a subtle signal for a specific task allow for image quality assessment which locally evaluates the effect of undersampling on a signal. We used a U-Net to reconstruct under-sampled images with 2x, 3x, 4x and 5x fold 1-D undersampling rates. Cross validation was performed for a 500 and a 4000 image training set with both structural similarity (SSIM) and mean squared error (MSE) losses. A two alternative forced choice (2-AFC) observer study was carried out for detecting a subtle signal (small blurred disk) from images with the 4000 image training set. We found that for both loss functions and training set sizes, the human observer performance on the 2-AFC studies led to a choice of a 2x undersampling but the SSIM and NRMSE led to a choice of a 3x undersampling. For this task, SSIM and NRMSE led to an overestimate of the achievable undersampling using a U-Net before a steep loss of image quality when compared to the performance of human observers in the detection of a subtle lesion.
• Abstract（参考訳）: 近年,mri(undersampled magnetic resonance imaging)データをニューラルネットワークを用いて再構成する研究が行われている。 再構成された画像におけるアーティファクトの複雑さのため、画像品質のタスクベースアプローチを開発する必要がある。 正規化ルート平均二乗誤差(NRMSE)や構造類似度(SSIM)などの画像品質を評価するための一般的な指標は、画像の微妙な特徴の影響を平均化するグローバルな指標である。 特定のタスクに微妙な信号を含む画像品質の測定値を使用することで、信号に対するアンダーサンプリングの効果を局所的に評価する画質評価が可能になる。 U-Netを用いて2x, 3x, 4x, 5x fold 1-Dアンダーサンプリングレートでアンダーサンプル画像の再構成を行った。 構造的類似性(SSIM)と平均二乗誤差(MSE)の両方を伴い,500と4000の画像トレーニングセットの交差検証を行った。 4000画像トレーニングセットを用いた画像から微妙な信号(小さなぼやけたディスク)を検出するため,2種類の強制選択(2-afc)オブザーバ実験を行った。 その結果、損失関数とトレーニングセットサイズの両方において、2-AFC研究における人間の観察者性能は2倍アンダーサンプリングを選択したが、SSIMとNRMSEは3倍アンダーサンプリングを選択した。 このために、SSIMとNRMSEは、微妙な病変の検出における人間の観察者のパフォーマンスと比較して、画像品質の急激な低下の前にU-Netを用いた達成可能なアンダーサンプリングを過大評価した。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• A No-Reference Deep Learning Quality Assessment Method for Super-resolution Images Based on Frequency Maps [39.58198651685851]
  本稿では,周波数マップに基づく非参照ディープラーニング画像品質評価手法を提案する。 まず、SRIの高周波マップ(HM)と低周波マップ(LM)を、Sobel演算子とスムーズな画像近似を用いて取得する。 提案手法は,選択した3つの超解像品質評価(SRQA)データベース上で比較したIQAモデルよりも優れている。
  論文  参考訳（メタデータ） (2022-06-09T05:43:37Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• 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)
• 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)
• W2S: Microscopy Data with Joint Denoising and Super-Resolution for Widefield to SIM Mapping [17.317001872212543]
  蛍光顕微鏡ライブセルイメージングでは、信号対雑音比と空間分解能の間に重要なトレードオフがある。 クリーンな高解像度(HR)画像を得るには、構造化照明顕微鏡(SIM)のような顕微鏡技術を使うか、デノナイジングと超高解像度(SR)アルゴリズムを適用することができる。 現状のSRネットワークはノイズの多い入力に対して非常に低性能であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T18:15:09Z)
• 1D Probabilistic Undersampling Pattern Optimization for MR Image Reconstruction [3.46218629010647]
  本稿では,MR画像再構成のためのクロスドメインネットワークを,限られたサンプリングレートで,振り返りデータ駆動方式で提案する。 本手法は,学習データの種類に合わせて最適なアンダーサンプリングパターン(k空間)と再構成モデルを同時に得ることができる。
  論文  参考訳（メタデータ） (2020-03-08T15:15:37Z)

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。