論文の概要: Spatial gradient consistency for unsupervised learning of hyperspectral
demosaicking: Application to surgical imaging
- arxiv url: http://arxiv.org/abs/2302.10927v1
- Date: Tue, 21 Feb 2023 18:07:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 17:20:34.387071
- Title: Spatial gradient consistency for unsupervised learning of hyperspectral
demosaicking: Application to surgical imaging
- Title(参考訳): ハイパースペクトルデサイクリングの教師なし学習における空間勾配の整合性:手術画像への応用
- Authors: Peichao Li, Muhammad Asad, Conor Horgan, Oscar MacCormac, Jonathan
Shapey, Tom Vercauteren
- Abstract要約: ハイパースペクトルイメージングは、組織の特徴化をリアルタイムで、高解像度で改善する可能性がある。
スナップショット画像の空間的・スペクトル的情報を完全に復元するには,復号化アルゴリズムが必要である。
トレーニング目的のスナップショット画像のみを必要とする、完全に教師なしのハイパースペクトル画像復号アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 4.795951381086172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral imaging has the potential to improve intraoperative decision
making if tissue characterisation is performed in real-time and with
high-resolution. Hyperspectral snapshot mosaic sensors offer a promising
approach due to their fast acquisition speed and compact size. However, a
demosaicking algorithm is required to fully recover the spatial and spectral
information of the snapshot images. Most state-of-the-art demosaicking
algorithms require ground-truth training data with paired snapshot and
high-resolution hyperspectral images, but such imagery pairs with the exact
same scene are physically impossible to acquire in intraoperative settings. In
this work, we present a fully unsupervised hyperspectral image demosaicking
algorithm which only requires exemplar snapshot images for training purposes.
We regard hyperspectral demosaicking as an ill-posed linear inverse problem
which we solve using a deep neural network. We take advantage of the spectral
correlation occurring in natural scenes to design a novel inter spectral band
regularisation term based on spatial gradient consistency. By combining our
proposed term with standard regularisation techniques and exploiting a standard
data fidelity term, we obtain an unsupervised loss function for training deep
neural networks, which allows us to achieve real-time hyperspectral image
demosaicking. Quantitative results on hyperspetral image datasets show that our
unsupervised demosaicking approach can achieve similar performance to its
supervised counter-part, and significantly outperform linear demosaicking. A
qualitative user study on real snapshot hyperspectral surgical images confirms
the results from the quantitative analysis. Our results suggest that the
proposed unsupervised algorithm can achieve promising hyperspectral
demosaicking in real-time thus advancing the suitability of the modality for
intraoperative use.
- Abstract(参考訳): 高スペクトルイメージングは、組織の特徴化がリアルタイムかつ高分解能で行われる場合、術中意思決定を改善する可能性がある。
ハイパースペクトルスナップショットモザイクセンサは、高速な取得速度とコンパクトなサイズのために、有望なアプローチを提供する。
しかし,スナップショット画像の空間・スペクトル情報の完全復元には,復号化アルゴリズムが必要である。
ほとんどの最先端のデモサックアルゴリズムは、スナップショットと高解像度のハイパースペクトル画像を組み合わせた地上訓練データを必要とするが、同じシーンと全く同じ画像のペアは、術中設定で取得することは物理的に不可能である。
そこで本研究では,トレーニング目的のスナップショット画像のみを必要とする,教師なしハイパースペクトル画像復号アルゴリズムを提案する。
我々は、高スペクトル復号化を、深層ニューラルネットワークを用いて解決する不測の線形逆問題とみなす。
自然シーンで発生するスペクトル相関を利用して,空間的勾配整合性に基づく新しいスペクトル間帯域正規化項を設計する。
提案手法と標準正規化手法を併用し、標準データ忠実性項を活用することにより、ディープニューラルネットワークを訓練するための教師なし損失関数を得ることにより、リアルタイムのハイパースペクトル画像デモサイックを実現する。
超繰り返し画像データセットの定量的な結果は、教師なしデモサイクリングアプローチが教師なしのカウンターパートと同等の性能を達成し、リニアデモサイクリングを著しく上回っていることを示している。
実スナップショットハイパースペクトル画像の質的研究により, 定量的解析の結果を確認した。
提案アルゴリズムは,術中使用におけるモダリティの適合性を向上させるために,リアルタイムに有望なハイパースペクトル分解を実現することができることを示唆する。
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) - A self-supervised and adversarial approach to hyperspectral demosaicking and RGB reconstruction in surgical imaging [3.426432165500852]
ハイパースペクトルイメージングは、肉眼では見えない詳細な情報を持つ生体組織分化機能を提供することによって、外科的イメージングにおいて有望である。
術中誘導のためには、リアルタイムのスペクトルデータキャプチャと表示が義務付けられている。この要件から、現在、スナップショットモザイクハイパースペクトルカメラが最も適した技術であると見なされている。
本稿では,2組の高分解能データに依存しない自己教師型復号法とRGB再構成法を提案する。
論文 参考訳(メタデータ) (2024-07-27T15:29:35Z) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳(メタデータ) (2023-07-06T02:32:08Z) - Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。
提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
論文 参考訳(メタデータ) (2022-08-24T10:47:21Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Deep Learning Approach for Hyperspectral Image Demosaicking, Spectral
Correction and High-resolution RGB Reconstruction [3.0478210530038443]
教師付き学習手法を用いたハイパースペクトル画像のスナップショット化のための深層学習に基づく画像復号アルゴリズムを提案する。
医用画像が公開されていないため,既存の医用画像データセットからのスナップショット画像をシミュレートする合成画像生成手法が提案されている。
得られたデシック画像は定量的かつ質的に評価され、画像品質の明確な改善が示される。
論文 参考訳(メタデータ) (2021-09-03T09:50:03Z) - STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised
Learning [2.5581619987137048]
我々は,インターリーブスライス獲得を伴う動的胎児MRIのための自己教師付き超解像フレームワークSTRESSを提案する。
提案手法は,低解像度画像と高解像度画像のペアを生成するために,元の取得データに基づいて,高解像度軸に沿ったインターリーブスライス取得をシミュレートする。
シミュレーションおよび子宮内データによる評価の結果,提案手法は他の自己教師付き超解像法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-23T13:52:11Z) - Unsupervised Spatial-spectral Network Learning for Hyperspectral
Compressive Snapshot Reconstruction [16.530040002441694]
圧縮スナップショット測定からのみハイパースペクトル画像を再構成する非監視空間スペクトルネットワークを提案する。
我々のネットワークは最先端の手法よりも優れた再構築結果を得ることができる。
論文 参考訳(メタデータ) (2020-12-18T12:29:04Z) - 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) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳(メタデータ) (2020-05-18T14:25:50Z)
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。