論文の概要: UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time
Clustering for OCTA Image Quality Assessment
- arxiv url: http://arxiv.org/abs/2212.10541v1
- Date: Tue, 20 Dec 2022 18:48:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:08:15.962637
- Title: UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time
Clustering for OCTA Image Quality Assessment
- Title(参考訳): UNO-QA:OCTA画像品質評価のためのテスト時間クラスタリングによる教師なし異常認識フレームワーク
- Authors: Juntao Chen, Li Lin, Pujin Cheng, Yijin Huang, Xiaoying Tang
- Abstract要約: 光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常認識フレームワークを提案する。
OCTA画像の品質を定量化するために,特徴埋め込みに基づく低品質表現モジュールを提案する。
我々は、訓練されたOCTA品質表現ネットワークによって抽出されたマルチスケール画像の特徴の次元削減とクラスタリングを行う。
- 参考スコア(独自算出の注目度): 4.901218498977952
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image quality assessment (MIQA) is a vital prerequisite in various
medical image analysis applications. Most existing MIQA algorithms are fully
supervised that request a large amount of annotated data. However, annotating
medical images is time-consuming and labor-intensive. In this paper, we propose
an unsupervised anomaly-aware framework with test-time clustering for optical
coherence tomography angiography (OCTA) image quality assessment in a setting
wherein only a set of high-quality samples are accessible in the training
phase. Specifically, a feature-embedding-based low-quality representation
module is proposed to quantify the quality of OCTA images and then to
discriminate between outstanding quality and non-outstanding quality. Within
the non-outstanding quality class, to further distinguish gradable images from
ungradable ones, we perform dimension reduction and clustering of multi-scale
image features extracted by the trained OCTA quality representation network.
Extensive experiments are conducted on one publicly accessible dataset
sOCTA-3*3-10k, with superiority of our proposed framework being successfully
established.
- Abstract(参考訳): 医用画像品質評価(MIQA)は、様々な医用画像解析アプリケーションにおいて必須の要件である。
既存のMIQAアルゴリズムの多くは、大量の注釈付きデータをリクエストする完全に教師されている。
しかし、医用画像の注釈は時間と労力がかかる。
本稿では,光コヒーレンストモグラフィ(optical coherence tomography angiography,octa)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常検知フレームワークを提案する。
具体的には,機能埋め込み型低品質表現モジュールを提案し,オクタ画像の品質を定量化し,優れた品質と非連続品質を判別する。
学習したオクターク品質表現ネットワークによって抽出された多次元画像特徴の次元縮小とクラスタリングを行う。
1つの公開データセット sOCTA-3*3-10k で大規模な実験を行い、提案フレームワークの優位性を確立した。
関連論文リスト
- MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with
Semi Supervised Learning for Low Dose CT [6.158876574189994]
画像品質評価(IQA)は放射線線量最適化と新しい医用イメージング技術開発において重要な役割を担っている。
最近の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示している。
本稿では,出力分布を制約して品質スコアを予測するため,マルチスケール分布回帰手法を提案する。
論文 参考訳(メタデータ) (2023-11-14T09:33:33Z) - Assessor360: Multi-sequence Network for Blind Omnidirectional Image
Quality Assessment [50.82681686110528]
Blind Omnidirectional Image Quality Assessment (BOIQA)は、全方位画像(ODI)の人間の知覚品質を客観的に評価することを目的としている。
ODIの品質評価は、既存のBOIQAパイプラインがオブザーバのブラウジングプロセスのモデリングを欠いているという事実によって著しく妨げられている。
Assessor360と呼ばれるBOIQAのための新しいマルチシーケンスネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-18T13:55:28Z) - Blind Multimodal Quality Assessment: A Brief Survey and A Case Study of
Low-light Images [73.27643795557778]
ブラインド画像品質評価(BIQA)は、視覚信号の客観的スコアを自動的に正確に予測することを目的としている。
この分野での最近の発展は、ヒトの主観的評価パターンと矛盾しない一助的解によって支配されている。
主観的評価から客観的スコアへの低照度画像の一意なブラインドマルチモーダル品質評価(BMQA)を提案する。
論文 参考訳(メタデータ) (2023-03-18T09:04:55Z) - Self-supervised Domain Adaptation for Breaking the Limits of Low-quality
Fundus Image Quality Enhancement [14.677912534121273]
低画質の眼底画像とスタイルの整合性は、眼底疾患の診断における不確実性を高める可能性がある。
画像内容、低品質要因、スタイル情報の特徴を乱すために、2つの自己教師付きドメイン適応タスクを定式化する。
我々のDASQE法は,低画質の画像しか得られない場合に,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-01-17T15:07:20Z) - Confusing Image Quality Assessment: Towards Better Augmented Reality
Experience [96.29124666702566]
我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。
ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。
また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
論文 参考訳(メタデータ) (2022-04-11T07:03:06Z) - Related Work on Image Quality Assessment [0.103341388090561]
画像品質評価(IQA)は画像ベースアプリケーションにおいて重要な役割を果たす。
本稿では,最新の画像品質評価アルゴリズムについて概説する。
論文 参考訳(メタデータ) (2021-11-11T16:11:27Z) - 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) - Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。
DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。
私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文 参考訳(メタデータ) (2021-08-18T02:35:08Z) - A Mixed-Supervision Multilevel GAN Framework for Image Quality
Enhancement [0.0]
本稿では,複数品質のトレーニングデータを活用できるGAN(Generative Adversarial Network)を提案する。
I)超解像の病理像と,(II)超解像と外科的煙除去を組み合わせた腹腔鏡像を併用した腹腔鏡下手術を施行した。
臨床および臨床前の大規模データセットの結果は,術式に対する混合スーパービジョンGANの利点を示している。
論文 参考訳(メタデータ) (2021-06-29T17:10:41Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。