論文の概要: Reference-based OCT Angiogram Super-resolution with Learnable Texture Generation

• arxiv url: http://arxiv.org/abs/2305.05835v1
• Date: Wed, 10 May 2023 01:48:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 14:44:29.040336
• Title: Reference-based OCT Angiogram Super-resolution with Learnable Texture Generation
• Title（参考訳）: 学習可能なテクスチャ生成による参照型OCTアンギオグラム超解像
• Authors: Yuyan Ruan, Dawei Yang, Ziqi Tang, An Ran Ran, Carol Y. Cheung and Hao Chen
• Abstract要約: 我々は,スキャン面積を増大させながらOCT血管造影の解像度を維持するための参照ベース超解像(RefSR)フレームワークを提案する。 通常のRefSRパイプラインからのテクスチャは、入力に応じてテクスチャを生成するように設計された学習可能なテクスチャジェネレータ(LTG)のトレーニングに使用される。 LTGNetは最先端の手法よりも性能と堅牢性に優れており、実際のデプロイメントにおいて優れた信頼性と保証を示している。
• 参考スコア（独自算出の注目度）: 11.58649188893076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical coherence tomography angiography (OCTA) is a new imaging modality to visualize retinal microvasculature and has been readily adopted in clinics. High-resolution OCT angiograms are important to qualitatively and quantitatively identify potential biomarkers for different retinal diseases accurately. However, one significant problem of OCTA is the inevitable decrease in resolution when increasing the field-of-view given a fixed acquisition time. To address this issue, we propose a novel reference-based super-resolution (RefSR) framework to preserve the resolution of the OCT angiograms while increasing the scanning area. Specifically, textures from the normal RefSR pipeline are used to train a learnable texture generator (LTG), which is designed to generate textures according to the input. The key difference between the proposed method and traditional RefSR models is that the textures used during inference are generated by the LTG instead of being searched from a single reference image. Since the LTG is optimized throughout the whole training process, the available texture space is significantly enlarged and no longer limited to a single reference image, but extends to all textures contained in the training samples. Moreover, our proposed LTGNet does not require a reference image at the inference phase, thereby becoming invulnerable to the selection of the reference image. Both experimental and visual results show that LTGNet has superior performance and robustness over state-of-the-art methods, indicating good reliability and promise in real-life deployment. The source code will be made available upon acceptance.
• Abstract（参考訳）: 光コヒーレンストモグラフィー(OCTA)は、網膜微小血管を可視化する新しい画像モダリティであり、クリニックで容易に採用されている。 高分解能OCT血管造影は、網膜疾患に対する潜在的なバイオマーカーを質的かつ定量的に同定する上で重要である。 しかし、OCTAの大きな問題は、一定の取得時間で視野を拡大する際の解決の必然的減少である。 そこで本研究では,OCTアンギオグラムの解像度を走査面積を増大させながら保存する新しい参照ベース超解像(RefSR)フレームワークを提案する。 具体的には、通常のRefSRパイプラインからのテクスチャを使用して、入力に応じてテクスチャを生成するように設計された学習可能なテクスチャジェネレータ(LTG)をトレーニングする。 提案手法と従来のRefSRモデルの主な違いは、単一の参照画像から検索するのではなく、LTGによって推論時に使用されるテクスチャが生成されることである。 LTGはトレーニングプロセス全体を通して最適化されているため、利用可能なテクスチャ空間は大幅に拡大され、単一の参照画像に制限されず、トレーニングサンプルに含まれるすべてのテクスチャにまで拡張される。 さらに,提案するLTGNetは推論フェーズで参照画像を必要としないため,参照画像の選択には不適当となる。 実験と視覚の両方の結果から、LTGNetは最先端の手法よりも優れた性能と堅牢性を示し、実際のデプロイメントにおける信頼性と将来性を示している。 ソースコードは受理次第公開される予定だ。

関連論文リスト

• An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution [18.881480825169053]
  Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。 ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2024-01-28T10:00:45Z)
• Unpaired Optical Coherence Tomography Angiography Image Super-Resolution via Frequency-Aware Inverse-Consistency GAN [6.717440708401628]
  本稿では,GANに基づくOCTA画像の非ペア化超解像法を提案する。 また,再構成画像の正確なスペクトル化を容易にするため,識別器の周波数認識による逆方向の損失も提案する。 実験により,本手法は,他の最先端の未経験手法よりも定量的,視覚的に優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-29T14:19:51Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Retinal Image Restoration and Vessel Segmentation using Modified Cycle-CBAM and CBAM-UNet [0.7868449549351486]
  畳み込みブロックアテンションモジュール(CBAM)を備えたサイクル一貫性生成対向ネットワーク(CycleGAN)を網膜画像復元に使用する。 修正されたUNetは、回復した網膜画像の網膜血管セグメンテーションに使用される。 提案手法は, アウト・オブ・フォーカスのぼかし, 色歪み, 低, 高, 不均一照明による劣化効果を著しく低減することができる。
  論文  参考訳（メタデータ） (2022-09-09T10:47:20Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• 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)

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。