論文の概要: Fine-tuned Generative Adversarial Network-based Model for Medical Images
Super-Resolution
- arxiv url: http://arxiv.org/abs/2211.00577v2
- Date: Thu, 3 Nov 2022 16:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 11:58:29.487114
- Title: Fine-tuned Generative Adversarial Network-based Model for Medical Images
Super-Resolution
- Title（参考訳）: 医用画像超解像のための微調整逆数ネットワークモデル
- Authors: Alireza Aghelan, Modjtaba Rouhani
- Abstract要約: 単一画像超解像法(SISR)は、医用画像の解像度と品質を改善することができる。
Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN)は、最近の実用的なGANベースのモデルの一つである。
本稿では,網膜画像と胸部X線画像について検討し,網膜画像のSTAREデータセットと胸部X線画像の結核データセットを用いた。
- 参考スコア（独自算出の注目度）: 6.243995448840211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical image analysis, low-resolution images negatively affect the
performance of medical image interpretation and may cause misdiagnosis. Single
image super-resolution (SISR) methods can improve the resolution and quality of
medical images. Currently, Generative Adversarial Networks (GAN) based
super-resolution models are widely used and have shown very good performance.
Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is
one of the recent practical GAN-based models which is widely used in the field
of general image super-resolution. Unlike natural datasets, medical datasets do
not have very high spatial resolution. Transfer learning is one of the
effective methods which uses models trained with external datasets (often
natural datasets), and fine-tunes them to enhance the resolution of medical
images. In our proposed approach, the pre-trained generator and discriminator
networks of the Real-ESRGAN model are fine-tuned using medical image datasets.
In this paper, we worked on retinal images and chest X-ray images. We used the
STARE dataset of retinal images and Tuberculosis Chest X-rays (Shenzhen)
dataset. The proposed model produces more accurate and natural textures, and
the output images have better detail and resolution compared to the original
Real-ESRGAN model.
- Abstract（参考訳）: 医用画像解析では、低解像度画像は医用画像の解釈性能に悪影響を及ぼし、誤診を引き起こす可能性がある。
単一画像超解像法(SISR)は、医用画像の解像度と品質を改善する。
現在、GAN(Generative Adversarial Networks)ベースの超解像モデルが広く使われており、非常に優れた性能を示している。
real-enhanced super- resolution generative adversarial network (real-esrgan) は、一般的な画像の超解像の分野で広く使われているganベースのモデルである。
自然のデータセットとは異なり、医療データセットは空間分解能があまり高くない。
転送学習は、外部データセット(しばしば自然データセット)でトレーニングされたモデルを使用し、それらを微調整して医療画像の解像度を向上させる効果的な方法の1つである。
提案手法では,Real-ESRGANモデルの事前学習したジェネレータと識別器ネットワークを医用画像データセットを用いて微調整する。
本稿では網膜像と胸部X線像について検討した。
我々は,網膜画像のSTAREデータセットと胸部X線(深セン)データセットを用いた。
提案モデルはより正確で自然なテクスチャを生成し,出力画像は元のReal-ESRGANモデルよりも細部と解像度がよい。
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) - Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。
我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文 参考訳（メタデータ） (2024-04-15T02:41:55Z) - Iterative-in-Iterative Super-Resolution Biomedical Imaging Using One
Real Image [8.412910029745762]
本稿では,1つの実画像のみを用いて深層学習に基づく超解像モデルを訓練する手法を提案する。
我々は,地中真実に類似した分布を持つ画像を自動的に選択するために,画像スクリーニングの混合指標を用いる。
5回のトレーニングの後、提案されたディープラーニングベースの超解像モデルでは、構造的類似性とピーク信号対雑音比が7.5%と5.49%改善した。
論文 参考訳（メタデータ） (2023-06-26T07:57:03Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - 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) - Flow-based Visual Quality Enhancer for Super-resolution Magnetic
Resonance Spectroscopic Imaging [13.408365072149795]
超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。
我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。
また,視覚的品質調整や不確実性推定も可能である。
論文 参考訳（メタデータ） (2022-07-20T20:19:44Z) - Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。
本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
論文 参考訳（メタデータ） (2022-07-16T23:15:10Z) - Data Augmentation For Medical MR Image Using Generative Adversarial
Networks [10.525550396457586]
本研究は,構造類似性損失関数(PGGAN-SSIM)を用いたGANの進行的成長を改善し,画像のぼかし問題とモデル崩壊を解決する。
その結果,PGGAN-SSIMは256×256個の脳腫瘍MR画像を生成することに成功した。
論文 参考訳（メタデータ） (2021-11-29T01:59:50Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳（メタデータ） (2021-03-29T02:58:27Z) - LASSR: Effective Super-Resolution Method for Plant Disease Diagnosis [2.449909275410288]
リーフアーティファクト・サプレッション・スーパーレゾリューション(LASSR)は、リーフ病の診断のために特別に設計された。
LASSRは、最先端のESRGANモデルと比較して、はるかに快適で高品質な画像を生成することができる。
論文 参考訳（メタデータ） (2020-10-12T02:33:49Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z)
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。