論文の概要: Does image resolution impact chest X-ray based fine-grained
Tuberculosis-consistent lesion segmentation?
- arxiv url: http://arxiv.org/abs/2301.04032v1
- Date: Tue, 10 Jan 2023 15:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 17:21:12.737687
- Title: Does image resolution impact chest X-ray based fine-grained
Tuberculosis-consistent lesion segmentation?
- Title(参考訳): 胸部X線像は結核性病変の細粒化に影響を及ぼすか?
- Authors: Sivaramakrishnan Rajaraman, Feng Yang, Ghada Zamzmi, Zhiyun Xue,
Sameer Antani
- Abstract要約: ディープラーニングモデルは、計算資源の不足を理由に、画像解像度の低下を訓練していると伝えられている。
本研究では,インセプションV3ベースのUNetモデルを様々な画像/マスク解像度を用いて学習することで得られる性能向上について検討した。
- 参考スコア(独自算出の注目度): 3.3086274755158325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) models are becoming state-of-the-art in segmenting
anatomical and disease regions of interest (ROIs) in medical images,
particularly chest X-rays (CXRs). However, these models are reportedly trained
on reduced image resolutions citing reasons for the lack of computational
resources. Literature is sparse considering identifying the optimal image
resolution to train these models for the task under study, particularly
considering segmentation of Tuberculosis (TB)-consistent lesions in CXRs. In
this study, we used the (i) Shenzhen TB CXR dataset, investigated performance
gains achieved through training an Inception-V3-based UNet model using various
image/mask resolutions with/without lung ROI cropping and aspect ratio
adjustments, and (ii) identified the optimal image resolution through extensive
empirical evaluations to improve TB-consistent lesion segmentation performance.
We proposed a combinatorial approach consisting of storing model snapshots,
optimizing test-time augmentation (TTA) methods, and selecting the optimal
segmentation threshold to further improve performance at the optimal
resolution. We emphasize that (i) higher image resolutions are not always
necessary and (ii) identifying the optimal image resolution is indispensable to
achieve superior performance for the task under study.
- Abstract(参考訳): 深層学習(DL)モデルは、医学画像、特に胸部X線(CXR)において、解剖学的および疾患領域の関心領域(ROI)を区分する最先端のモデルになりつつある。
しかし、これらのモデルは計算資源の不足を理由に画像解像度の低下を訓練していると伝えられている。
CXRの結核性病変の分節化を考慮し、研究中の課題に対してこれらのモデルを訓練するための最適な画像解像度を特定することを検討する文献は少ない。
本研究では,その方法を用いた。
(i)深センTB CXRデータセットを用いて、肺ROIのトリミングとアスペクト比の調整を伴わない様々な画像/マスク解像度を用いて、インセプションV3ベースのUNetモデルをトレーニングし、性能向上を調べた。
(II) TB含有病変分割性能を向上させるため, 広範囲な実験的評価により最適な画像解像度を同定した。
我々は,モデルスナップショットの保存,テスト時間拡張(TTA)手法の最適化,最適セグメンテーションしきい値の選択などによる組合せ的アプローチを提案し,最適な解像度で性能を向上させる。
強調するのは
(i)高解像度は必ずしも必要ではない。
(ii)研究対象の課題に対して優れた性能を達成するためには、最適な画像解像度を特定することが不可欠である。
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) - CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。
そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
論文 参考訳(メタデータ) (2024-04-07T08:48:01Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳(メタデータ) (2024-03-19T00:07:48Z) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-01T10:09:01Z) - Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。
実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。
提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
論文 参考訳(メタデータ) (2022-11-01T16:48:04Z) - Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case
Study on COVID-19 Chest X-ray Image [3.135883872525168]
胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。
深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。
本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-05-27T20:06:45Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - 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) - 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)
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。