論文の概要: AI pipeline for accurate retinal layer segmentation using OCT 3D images

• arxiv url: http://arxiv.org/abs/2302.07806v1
• Date: Wed, 15 Feb 2023 17:46:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 14:22:27.037486
• Title: AI pipeline for accurate retinal layer segmentation using OCT 3D images
• Title（参考訳）: OCT 3D画像を用いた正確な網膜層分割のためのAIパイプライン
• Authors: Mayank Goswami
• Abstract要約: いくつかの古典的およびAIベースのアルゴリズムが組み合わせてテストされ、動物イメージングシステムからのデータとの互換性を確認している。 単純で実装可能な解析方程式は、平均ピクセル値の1%インクリメントで輝度操作に有効であることが示されている。 厚み推定処理は、手動の注釈付き標準データと比較して6%の誤差を有する。
• 参考スコア（独自算出の注目度）: 3.938455123895825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image data set from a multi-spectral animal imaging system is used to address two issues: (a) registering the oscillation in optical coherence tomography (OCT) images due to mouse eye movement and (b) suppressing the shadow region under the thick vessels/structures. Several classical and AI-based algorithms in combination are tested for each task to see their compatibility with data from the combined animal imaging system. Hybridization of AI with optical flow followed by Homography transformation is shown to be working (correlation value>0.7) for registration. Resnet50 backbone is shown to be working better than the famous U-net model for shadow region detection with a loss value of 0.9. A simple-to-implement analytical equation is shown to be working for brightness manipulation with a 1% increment in mean pixel values and a 77% decrease in the number of zeros. The proposed equation allows formulating a constraint optimization problem using a controlling factor {\alpha} for minimization of number of zeros, standard deviation of pixel value and maximizing the mean pixel value. For Layer segmentation, the standard U-net model is used. The AI-Pipeline consists of CNN, Optical flow, RCNN, pixel manipulation model, and U-net models in sequence. The thickness estimation process has a 6% error as compared to manual annotated standard data.
• Abstract（参考訳）: マルチスペクトル動物イメージングシステムによる画像データセットは,2つの問題に対処するために用いられる。 (a)マウス眼球運動及び眼球運動による光コヒーレンス断層撮影(OCT)画像における発振の登録 b)厚い容器・構造物の陰影領域を抑制すること。 動物イメージングシステムを組み合わせたデータとの互換性を確認するために、複数の古典的およびAIベースのアルゴリズムを組み合わせて各タスクをテストする。 光フローによるAIのハイブリッド化とホログラフィー変換は、登録のために動作する(相関値>0.7)。 Resnet50のバックボーンは、損失値0.9の有名なU-netモデルよりも優れていることが示されている。 簡単な実装による分析式は、平均画素値の1%増分と零点数の77%減の明るさ操作に取り組んでいることが示されている。 提案する方程式は、ゼロ数の最小化、ピクセル値の標準偏差、平均画素値の最大化のための制御因子 {\alpha} を用いて制約最適化問題を定式化することができる。 Layerセグメンテーションでは、標準のU-netモデルが使用される。 aiパイプラインはcnn、optical flow、rcnn、ピクセル操作モデル、u-netモデルで構成される。 厚み推定プロセスは、手動の注釈付き標準データと比較して6%の誤差がある。

関連論文リスト

• Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
  3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。 入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。 修正EMアルゴリズム(Algo2)について詳述する。
  論文  参考訳（メタデータ） (2024-04-03T20:05:00Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Decoupled Diffusion Models: Simultaneous Image to Zero and Zero to Noise [53.04220377034574]
  10機能未満の高画質(未条件)の画像生成のためのデカップリング拡散モデル(DDM)を提案する。 我々は,1) 画像から0遷移までをモデル化した解析的遷移確率に基づいて, 学習目標と(2) サンプリング式を逆時間に導出する。 1)無条件画像生成, CIFAR-10, CelebA-HQ-256, 2)超解像, 塩分検出, エッジ検出, 画像入力などの下流処理, テキスト処理, テキスト処理, テキスト処理, テキスト処理, 画像処理, 画像処理などと比較して, 非常に競争力のある性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
  後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。 提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。 本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-03-17T15:26:00Z)
• FlowReg: Fast Deformable Unsupervised Medical Image Registration using Optical Flow [0.09167082845109438]
  FlowRegは、ニューロイメージングアプリケーションのための教師なしイメージ登録のためのフレームワークである。 flowregは解剖学と病理の形状と構造を維持しながら、強度と空間的類似性を得ることができる。
  論文  参考訳（メタデータ） (2021-01-24T03:51:34Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)

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。