論文の概要: Hierarchical Agent-based Reinforcement Learning Framework for Automated Quality Assessment of Fetal Ultrasound Video

• arxiv url: http://arxiv.org/abs/2304.07036v1
• Date: Fri, 14 Apr 2023 10:10:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 14:08:17.173387
• Title: Hierarchical Agent-based Reinforcement Learning Framework for Automated Quality Assessment of Fetal Ultrasound Video
• Title（参考訳）: 胎児超音波映像の品質自動評価のための階層的エージェントベース強化学習フレームワーク
• Authors: Sijing Liu, Qilong Ying, Shuangchi He, Xin Yang, Dong Ni, Ruobing Huang
• Abstract要約: スキャンの全体的な品質とフレームの品質の相関性を見落としてはいけない。 フレームレベルの品質評価とビデオレベルの品質評価の両方を協調的に学習する2つの階層型エージェントを活用した強化学習フレームワークを提案する。 課題となる胎児脳データセットの実験結果から、提案したフレームワークが二重レベルの品質評価を行うことができることを確認した。
• 参考スコア（独自算出の注目度）: 8.417002987388319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound is the primary modality to examine fetal growth during pregnancy, while the image quality could be affected by various factors. Quality assessment is essential for controlling the quality of ultrasound images to guarantee both the perceptual and diagnostic values. Existing automated approaches often require heavy structural annotations and the predictions may not necessarily be consistent with the assessment results by human experts. Furthermore, the overall quality of a scan and the correlation between the quality of frames should not be overlooked. In this work, we propose a reinforcement learning framework powered by two hierarchical agents that collaboratively learn to perform both frame-level and video-level quality assessments. It is equipped with a specially-designed reward mechanism that considers temporal dependency among frame quality and only requires sparse binary annotations to train. Experimental results on a challenging fetal brain dataset verify that the proposed framework could perform dual-level quality assessment and its predictions correlate well with the subjective assessment results.
• Abstract（参考訳）: 超音波は妊娠中の胎児の成長を観察する主要な手段であり、画像品質は様々な要因によって影響を受ける可能性がある。 超音波画像の品質管理には、知覚値と診断値の両方を保証するために品質評価が不可欠である。 既存の自動化アプローチは、しばしば重い構造的アノテーションを必要とし、予測は必ずしも人間の専門家による評価結果と一致しないかもしれない。 さらに、スキャンの全体的な品質とフレームの品質の相関性を見落としてはいけない。 本研究では,フレームレベルとビデオレベルの両方の品質評価を協調的に行う2つの階層エージェントによる強化学習フレームワークを提案する。 フレーム品質間の時間依存性を考慮した特別に設計された報酬機構を備えており、トレーニングには疎いバイナリアノテーションが必要である。 胎児脳データセットにおける実験結果から,提案手法は2段階品質評価が可能であり,その予測は主観的評価結果と良好に相関することを確認した。

関連論文リスト

• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• Diffusion-based Iterative Counterfactual Explanations for Fetal Ultrasound Image Quality Assessment [6.185886588296547]
  拡散に基づく反現実的説明可能なAIを用いて、低品質の非標準平面から現実的な高品質の標準平面を生成する。 このことは、視覚的フィードバックを提供することによる臨床医の訓練の強化と、画質の向上、そして下流の診断とモニタリングの両立を将来の約束として示している。
  論文  参考訳（メタデータ） (2024-03-13T17:04:56Z)
• BAND-2k: Banding Artifact Noticeable Database for Banding Detection and Quality Assessment [52.1640725073183]
  バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。 これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。 デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
  論文  参考訳（メタデータ） (2023-11-29T15:56:31Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering [0.03262230127283451]
  超音波画像の品質は低く、サーバ間変動によるノイズの多いアノテーションに悩まされている。 我々は,手動アノテーションの負担と不確実性を解消するUnSupervised UltraSound Image Quality Assessment Network (US2QNet)を提案する。 提案手法は,最先端クラスタリング手法よりも精度が78%,性能が優れている。
  論文  参考訳（メタデータ） (2023-07-05T17:34:58Z)
• Automated Assessment of Transthoracic Echocardiogram Image Quality Using Deep Neural Networks [2.5922360296344396]
  取得した画像の品質はオペレーターのスキルに大きく依存しており、主観的に評価される。 本研究の目的は,心エコー画像品質の客観的評価パイプラインを提供することである。
  論文  参考訳（メタデータ） (2022-09-02T12:15:14Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• 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)
• Estimating MRI Image Quality via Image Reconstruction Uncertainty [4.483523280360846]
  我々は、ノイズの多いデータからクリーンな画像を復元するために、異機種間不確実性モデルを用いてCNNを訓練する。 視覚評価における品質制御は,アルゴリズム処理における品質制御と同一視できない。
  論文  参考訳（メタデータ） (2021-06-21T11:22:17Z)
• Image quality assessment for closed-loop computer-assisted lung ultrasound [1.1886402973079053]
  集中治療室における超音波画像を用いた肺異常検出のための新しい2段階コンピュータ支援システムについて述べる。 提案システムは,画像品質の予測を自動化する品質評価モジュールと,十分な品質の超音波画像におけるオアノマリーの可能性を判定する診断支援モジュールの2つの深層学習モデルから構成される。
  論文  参考訳（メタデータ） (2020-08-20T08:38:05Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。