論文の概要: Metrics to Quantify Global Consistency in Synthetic Medical Images
- arxiv url: http://arxiv.org/abs/2308.00402v1
- Date: Tue, 1 Aug 2023 09:29:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 14:40:45.406274
- Title: Metrics to Quantify Global Consistency in Synthetic Medical Images
- Title（参考訳）: 合成医用画像におけるグローバル一貫性の定量化
- Authors: Daniel Scholz, Benedikt Wiestler, Daniel Rueckert, Martin J. Menten
- Abstract要約: 画像毎の合成画像のグローバルな一貫性を計測できる2つの指標を導入する。
我々は、教師付きニューラルネットワークを用いて、パッチ上の画像の明示的な属性を予測し、比較することにより、グローバルな一貫性を定量化する。
その結果、パッチ上の合成画像の明示的な属性を予測することは、一貫性のない画像とグローバルに一致していることが示されている。
- 参考スコア（独自算出の注目度）: 6.863780677964219
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Image synthesis is increasingly being adopted in medical image processing,
for example for data augmentation or inter-modality image translation. In these
critical applications, the generated images must fulfill a high standard of
biological correctness. A particular requirement for these images is global
consistency, i.e an image being overall coherent and structured so that all
parts of the image fit together in a realistic and meaningful way. Yet,
established image quality metrics do not explicitly quantify this property of
synthetic images. In this work, we introduce two metrics that can measure the
global consistency of synthetic images on a per-image basis. To measure the
global consistency, we presume that a realistic image exhibits consistent
properties, e.g., a person's body fat in a whole-body MRI, throughout the
depicted object or scene. Hence, we quantify global consistency by predicting
and comparing explicit attributes of images on patches using supervised trained
neural networks. Next, we adapt this strategy to an unlabeled setting by
measuring the similarity of implicit image features predicted by a
self-supervised trained network. Our results demonstrate that predicting
explicit attributes of synthetic images on patches can distinguish globally
consistent from inconsistent images. Implicit representations of images are
less sensitive to assess global consistency but are still serviceable when
labeled data is unavailable. Compared to established metrics, such as the FID,
our method can explicitly measure global consistency on a per-image basis,
enabling a dedicated analysis of the biological plausibility of single
synthetic images.
- Abstract（参考訳）: 画像合成は、例えばデータ拡張やモダリティ間画像変換など、医療画像処理においてますます採用されている。
これらの重要な応用では、生成した画像は高い生物学的正当性を満たす必要がある。
これらの画像の特別な要件は、全体的一貫性、すなわち画像のすべての部分が現実的かつ有意義な方法で一致するように、全体的一貫性と構造化である。
しかし、確立された画質指標はこの合成画像の特性を明示的に定量化していない。
本研究では,合成画像の全体的一貫性を画像単位で測定できる2つの指標を提案する。
グローバルな一貫性を測定するために、現実的な画像は、例えば、全身MRIにおける人の体脂肪など、描写された物体やシーンを通して一貫した特性を示すと仮定する。
そこで我々は,教師付きニューラルネットワークを用いて,パッチ上の画像の明示的な属性を予測・比較することにより,グローバル一貫性を定量化する。
次に, 自己教師付き学習ネットワークによって予測される暗黙的画像特徴の類似性を測定することにより, この戦略をラベルなし設定に適用する。
その結果、パッチ上の合成画像の明示的な属性の予測は、一貫性のない画像とグローバルに一貫性のある画像とを区別できることがわかった。
画像の暗黙的な表現は、グローバル一貫性を評価するのにあまり敏感ではないが、ラベル付きデータが利用できない場合、まだ利用できる。
FIDなどの確立された指標と比較して,本手法は画像毎のグローバルな一貫性を明示的に測定することができ,単一の合成画像の生物学的妥当性を専用に分析することができる。
関連論文リスト
- Global-Local Image Perceptual Score (GLIPS): Evaluating Photorealistic Quality of AI-Generated Images [0.7499722271664147]
GLIPS(Global-Local Image Perceptual Score)は、AI生成画像の写実的画像品質を評価するために設計された画像メトリクスである。
様々な生成モデルにわたる総合的なテストは、GLIPSが人間のスコアと相関する点において、FID、SSIM、MS-SSIMといった既存の指標を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2024-05-15T15:19:23Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - You Don't Have to Be Perfect to Be Amazing: Unveil the Utility of
Synthetic Images [2.0790547421662064]
我々は、忠実さ、多様性、プライバシー、実用性など、総合的な合成画像評価ツールを確立した。
100k以上の胸部X線画像とその合成コピーを分析し、合成画像の忠実度、多様性、プライバシーの間に必然的なトレードオフがあることを実証した。
論文 参考訳（メタデータ） (2023-05-25T13:47:04Z) - Unsupervised Synthetic Image Refinement via Contrastive Learning and
Consistent Semantic-Structural Constraints [32.07631215590755]
コントラスト学習(CL)は、相関したパッチをまとめて、非相関的なパッチを分離するのに成功している。
本研究では,合成画像と精細画像間の意味的・構造的整合性を利用して,意味的歪みを低減するためにCLを採用する。
論文 参考訳（メタデータ） (2023-04-25T05:55:28Z) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳（メタデータ） (2022-09-02T16:45:46Z) - Evaluating the Quality and Diversity of DCGAN-based Generatively
Synthesized Diabetic Retinopathy Imagery [0.07499722271664144]
公的に利用可能な糖尿病網膜症(DR)データセットは不均衡であり、DRを持つ画像の数が限られている。
この不均衡に対処するには、GAN(Geneversarative Adrial Networks)を使用して、データセットを合成画像で拡張する。
合成画像の品質と多様性を評価するために、マルチスケール構造類似度指数(MS-SSIM)、コサイン距離(CD)、Fr't Inception Distance(FID)などの評価指標を用いる。
論文 参考訳（メタデータ） (2022-08-10T23:50:01Z) - Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。
セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文 参考訳（メタデータ） (2022-06-30T18:31:51Z) - Image Synthesis via Semantic Composition [74.68191130898805]
本稿では,その意味的レイアウトに基づいて現実的なイメージを合成する新しい手法を提案する。
類似した外観を持つ物体に対して、類似した表現を共有するという仮説が立てられている。
本手法は, 空間的変化と関連表現の両方を生じる, 外観相関による領域間の依存関係を確立する。
論文 参考訳（メタデータ） (2021-09-15T02:26:07Z) - Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。
現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
論文 参考訳（メタデータ） (2021-04-12T17:03:42Z) - Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。
頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
論文 参考訳（メタデータ） (2020-08-26T01:34:19Z) - Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image
Decomposition [67.9464567157846]
合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。
実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
論文 参考訳（メタデータ） (2020-06-29T12:53:58Z)
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。