論文の概要: Unsupervised Iterative U-Net with an Internal Guidance Layer for
Vertebrae Contrast Enhancement in Chest X-Ray Images
- arxiv url: http://arxiv.org/abs/2306.03983v1
- Date: Tue, 6 Jun 2023 19:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 17:18:30.289631
- Title: Unsupervised Iterative U-Net with an Internal Guidance Layer for
Vertebrae Contrast Enhancement in Chest X-Ray Images
- Title（参考訳）: 胸部X線画像における頂点コントラスト強調のための内部誘導層を用いた教師なし反復U-Net
- Authors: Ella Eidlin, Assaf Hoogi, Nathan S. Netanyahu
- Abstract要約: 我々は,深部ニューラルネットワークを反復的に訓練することにより,X線画像の品質向上のための新しい,堅牢なアプローチを提案する。
本フレームワークは胸部X線像における脊椎の微細構造を増強する内部誘導層を含む。
実験の結果,提案手法は既存のBRISQUEスコアの精度向上手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 1.521162809610347
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: X-ray imaging is a fundamental clinical tool for screening and diagnosing
various diseases. However, the spatial resolution of radiographs is often
limited, making it challenging to diagnose small image details and leading to
difficulties in identifying vertebrae anomalies at an early stage in chest
radiographs. To address this limitation, we propose a novel and robust approach
to significantly improve the quality of X-ray images by iteratively training a
deep neural network. Our framework includes an embedded internal guidance layer
that enhances the fine structures of spinal vertebrae in chest X-ray images
through fully unsupervised training, utilizing an iterative procedure that
employs the same network architecture in each enhancement phase. Additionally,
we have designed an optimized loss function that accurately identifies object
boundaries and enhances spinal features, thereby further enhancing the quality
of the images. Experimental results demonstrate that our proposed method
surpasses existing detail enhancement methods in terms of BRISQUE scores, and
is comparable in terms of LPC-SI. Furthermore, our approach exhibits superior
performance in restoring hidden fine structures, as evidenced by our
qualitative results. This innovative approach has the potential to
significantly enhance the diagnostic accuracy and early detection of diseases,
making it a promising advancement in X-ray imaging technology.
- Abstract（参考訳）: x線イメージングは様々な疾患をスクリーニングし診断するための基本的な臨床ツールである。
しかし、x線撮影の空間分解能はしばしば限られており、小さな画像詳細の診断が難しく、胸部x線撮影の初期段階で椎体異常の同定が困難になる。
この制限に対処するために,深層ニューラルネットワークを反復的に訓練することにより,x線画像の品質を大幅に向上させる新しいロバストな手法を提案する。
本フレームワークは, 胸部X線画像における脊椎の微細構造を, 完全に教師なしの訓練により強化する内部誘導層を備えており, 同じネットワークアーキテクチャを各エンハンスメントフェーズで活用する反復的手順を用いている。
さらに,オブジェクト境界を正確に識別し,脊椎の特徴を増強し,画像の品質をさらに向上させる最適化損失関数を設計した。
実験の結果,提案手法は既存のBRISQUEスコアの精度向上手法よりも優れており,LPC-SIと同等であることがわかった。
さらに, 本手法は, 定性的な結果から示されるように, 隠れた微細構造の復元において優れた性能を示す。
この革新的なアプローチは、診断精度と疾患の早期検出を大幅に向上させる可能性があり、X線イメージング技術の進歩に期待できる。
関連論文リスト
- Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios [0.0]
マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。
ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。
汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。
3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
論文 参考訳（メタデータ） (2025-01-29T11:09:50Z) - Dual-Domain CLIP-Assisted Residual Optimization Perception Model for Metal Artifact Reduction [9.028901322902913]
CT(Computed tomography)画像における金属遺物は,正確な臨床診断に重要な課題である。
深層学習に基づくアプローチ、特に生成モデルは、金属人工物還元(MAR)のために提案されている。
論文 参考訳（メタデータ） (2024-08-14T02:37:26Z) - Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。
第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。
第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
論文 参考訳（メタデータ） (2024-04-12T20:39:19Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in
heterogeneous data with cross-domain self-supervised learning [1.7479385556004874]
BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。
従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
論文 参考訳（メタデータ） (2024-02-09T16:10:13Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Advancing diagnostic performance and clinical usability of neural
networks via adversarial training and dual batch normalization [2.1699022621790736]
6人の放射線学者がX線、CT、磁気共鳴画像スキャンのデータセットにおける塩分濃度マップの解釈可能性を評価する。
その結果, 十分大きなデータセットと二重バッチノルムを用いた場合, 逆学習モデルの精度は標準モデルに等しいことがわかった。
論文 参考訳（メタデータ） (2020-11-25T20:41:01Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。