論文の概要: A Practical Framework for Unsupervised Structure Preservation Medical Image Enhancement

• arxiv url: http://arxiv.org/abs/2304.01864v1
• Date: Tue, 4 Apr 2023 15:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 13:32:18.556072
• Title: A Practical Framework for Unsupervised Structure Preservation Medical Image Enhancement
• Title（参考訳）: 非監督型保存医療画像強調のための実践的枠組み
• Authors: Quan Huu Cap, Atsushi Fukuda, Hitoshi Iyatomi
• Abstract要約: 実際には、低品質(LQ)の医用画像、例えば、ぼんやりした画像は、データ取得時に取得されることが多い。 GAN(Generative Adversarial Network)に基づく画像強調手法が提案され,有望な結果が得られた。 構造保存の非参照客観的評価を含む,非教師なし医療画像強調のための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 9.453554184019108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical images are extremely valuable for supporting medical diagnoses. However, in practice, low-quality (LQ) medical images, such as images that are hazy/blurry, have uneven illumination, or are out of focus, among others, are often obtained during data acquisition. This leads to difficulties in the screening and diagnosis of medical diseases. Several generative adversarial networks (GAN)-based image enhancement methods have been proposed and have shown promising results. However, there is a quality-originality trade-off among these methods in the sense that they produce visually pleasing results but lose the ability to preserve originality, especially the structural inputs. Moreover, to our knowledge, there is no objective metric in evaluating the structure preservation of medical image enhancement methods in unsupervised settings due to the unavailability of paired ground-truth data. In this study, we propose a framework for practical unsupervised medical image enhancement that includes (1) a non-reference objective evaluation of structure preservation for medical image enhancement tasks called Laplacian structural similarity index measure (LaSSIM), which is based on SSIM and the Laplacian pyramid, and (2) a novel unsupervised GAN-based method called Laplacian medical image enhancement (LaMEGAN) to support the improvement of both originality and quality from LQ images. The LaSSIM metric does not require clean reference images and has been shown to be superior to SSIM in capturing image structural changes under image degradations, such as strong blurring on different datasets. The experiments demonstrated that our LaMEGAN achieves a satisfactory balance between quality and originality, with robust structure preservation performance while generating compelling visual results with very high image quality scores. The code will be made available at https://github.com/AillisInc/USPMIE.
• Abstract（参考訳）: 医療画像は医療診断支援に極めて有用である。 しかし、実際には、低品質(LQ)の医用画像、例えば、ぼんやりした、ぼんやりした画像は、不均一な照明を持つか、データ取得時に焦点が合っていないものが多い。 これにより、医療疾患のスクリーニングと診断が困難になる。 GAN(Generative Adversarial Network)に基づく画像強調手法が提案され,有望な結果が得られた。 しかし、視覚的に喜ばしい結果を生み出すが、特に構造的入力の独創性を維持する能力を失うという意味では、これらの方法には品質-原性トレードオフがある。 さらに,我々の知る限り,2つの接地トラスデータが利用できないため,教師なし環境での医用画像強調手法の構造保存を評価する客観的な指標は存在しない。 本研究では,(1)SSIMとラプラシアンピラミッドをベースとした,ラプラシアン構造類似度指数測定(LaSSIM)と呼ばれる医用画像強調タスクの構造保存の非参照客観的評価と,(2)LQ画像からの創発性と品質の向上を支援するために,ラプラシアン医用画像強調法(LaMEGAN)と呼ばれる新規の非教師用医用画像強調手法を提案する。 LaSSIMメトリックはクリーンな参照画像を必要としないため、異なるデータセットの強いぼやけなど、画像劣化下での画像構造変化を捉える上で、SSIMよりも優れていることが示されている。 実験の結果,LMEGANは画質とオリジナル性とのバランスが良好であり,構造保存性能は良好であり,高画質の視覚結果が得られることがわかった。 コードはhttps://github.com/aillisinc/uspmieで入手できる。

関連論文リスト

• OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
  正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。 そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。 統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Optimal Transport Guided Unsupervised Learning for Enhancing low-quality Retinal Images [5.4240246179935845]
  現実の非ミリ波網膜基底写真は、人工物、不完全、そして低品質である。 高品質な網膜基底画像の高精細化のための,シンプルで効果的なエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T18:29:30Z)
• 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)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Degradation-invariant Enhancement of Fundus Images via Pyramid Constraint Network [27.374391253266428]
  本稿では、劣化不変拡張ネットワーク(PCE-Net)を開発するためのピラミッド制約を提案する。 高品質画像はランダムに劣化し、同一コンテンツを共有する低品質画像列(SeqLC)を形成する。 次に、拡張のためのマルチレベル入力として、個々の低画質画像をラプラシアピラミッド特徴(LPF)に分解する。
  論文  参考訳（メタデータ） (2022-10-18T05:45:13Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Assessing the ability of generative adversarial networks to learn canonical medical image statistics [10.479865560555199]
  GAN(Generative Adversarial Network)は、医用画像の潜在的な応用において大きな人気を集めている。 現代のGANが下流の医療画像アプリケーションにとって意味のある統計を確実に学べるかどうかは不明だ。 本研究では,画像品質の客観的評価に関連する標準画像モデル(SIM)の統計を,最先端のGANで学習する能力について検討する。
  論文  参考訳（メタデータ） (2022-04-26T00:30:01Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• 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)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。