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
- AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。
提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文 参考訳（メタデータ） (2024-10-20T16:08:20Z) - Multi-Scale Feature Fusion using Parallel-Attention Block for COVID-19
Chest X-ray Diagnosis [2.15242029196761]
世界的な新型コロナウイルス危機下では、チェストX線(CXR)画像からの新型コロナウイルスの正確な診断が重要である。
並列アテンションブロックを用いた新しい多機能融合ネットワークを提案し、元のCXR画像とローカル位相特徴強調CXR画像をマルチスケールで融合する。
論文 参考訳（メタデータ） (2023-04-25T16:56:12Z) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳（メタデータ） (2022-11-14T03:51:12Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - Cross Chest Graph for Disease Diagnosis with Structural Relational
Reasoning [2.7148274921314615]
X線画像のコンピュータ診断において位置病変は重要である。
一般に弱教師付き手法はX線像の特性を考慮できなかった。
自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
論文 参考訳（メタデータ） (2021-01-22T08:24:04Z) - 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)
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。