論文の概要: MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with
Semi Supervised Learning for Low Dose CT
- arxiv url: http://arxiv.org/abs/2311.08024v1
- Date: Tue, 14 Nov 2023 09:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 14:53:38.212279
- Title: MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with
Semi Supervised Learning for Low Dose CT
- Title(参考訳): MD-IQA:低線量CTのための半教師付き学習によるマルチスケール分散画像品質評価学習
- Authors: Tao Song, Ruizhi Hou, Lisong Dai, Lei Xiang
- Abstract要約: 画像品質評価(IQA)は放射線線量最適化と新しい医用イメージング技術開発において重要な役割を担っている。
最近の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示している。
本稿では,出力分布を制約して品質スコアを予測するため,マルチスケール分布回帰手法を提案する。
- 参考スコア(独自算出の注目度): 6.158876574189994
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image quality assessment (IQA) plays a critical role in optimizing radiation
dose and developing novel medical imaging techniques in computed tomography
(CT). Traditional IQA methods relying on hand-crafted features have limitations
in summarizing the subjective perceptual experience of image quality. Recent
deep learning-based approaches have demonstrated strong modeling capabilities
and potential for medical IQA, but challenges remain regarding model
generalization and perceptual accuracy. In this work, we propose a multi-scale
distributions regression approach to predict quality scores by constraining the
output distribution, thereby improving model generalization. Furthermore, we
design a dual-branch alignment network to enhance feature extraction
capabilities. Additionally, semi-supervised learning is introduced by utilizing
pseudo-labels for unlabeled data to guide model training. Extensive qualitative
experiments demonstrate the effectiveness of our proposed method for advancing
the state-of-the-art in deep learning-based medical IQA. Code is available at:
https://github.com/zunzhumu/MD-IQA.
- Abstract(参考訳): 画像品質評価(IQA)は放射線線量最適化とCT(Computed tomography)における新しい医用イメージング技術開発において重要な役割を担っている。
手作りの特徴に依存する従来のIQA手法は、画像品質の主観的知覚経験を要約するのに限界がある。
近年の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示しているが、モデル一般化と知覚精度に関する課題は残っている。
本研究では,出力分布の制約による品質スコアの予測のためのマルチスケール分布回帰手法を提案する。
さらに,特徴抽出能力を向上させるために,デュアルブランチアライメントネットワークを設計する。
さらに、ラベルなしデータに擬似ラベルを用いることで、モデルトレーニングのガイドとして半教師付き学習を導入する。
広汎な定性的実験により,深層学習型IQAの最先端化に向けた提案手法の有効性が示された。
コードはhttps://github.com/zunzhumu/md-iqa。
関連論文リスト
- Comparison of No-Reference Image Quality Models via MAP Estimation in
Diffusion Latents [99.19391983670569]
NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
異なるNR-IQAモデルは異なる拡張イメージを誘導し、最終的には精神物理学的なテストを受ける。
これにより, NR-IQAモデルの比較を行う新たな計算手法が提案される。
論文 参考訳(メタデータ) (2024-03-11T03:35:41Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳(メタデータ) (2024-02-22T09:39:46Z) - Transformer-based No-Reference Image Quality Assessment via Supervised
Contrastive Learning [36.695247860715874]
本稿では,新しいコントラスト学習 (Contrastive Learning, SCL) と NR-IQA モデル SaTQA を提案する。
まず、SCLによる大規模合成データセット上にモデルをトレーニングし、様々な歪みタイプとレベルの画像の劣化特徴を抽出する。
画像から歪み情報を抽出するために,CNNインダクティブバイアスとTransformerの長期依存性モデリング機能を組み合わせることで,マルチストリームブロック(MSB)を組み込んだバックボーンネットワークを提案する。
7つの標準IQAデータセットの実験結果から、SaTQAは合成データセットと認証データセットの両方において最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-12-12T06:01:41Z) - PMT-IQA: Progressive Multi-task Learning for Blind Image Quality
Assessment [6.976106651278988]
ブラインド画像品質評価(BIQA)は、歪みの多様性と画像内容の変化のため、依然として困難である。
既存のBIQA法は、しばしばマルチスケールの歪みパターンや画像の内容を考えるのに失敗する。
マルチスケール特徴抽出モジュール(MS)とプログレッシブマルチタスク学習モジュール(PMT)を含む,プログレッシブマルチタスク画像品質評価(PMT-IQA)モデルを提案する。
論文 参考訳(メタデータ) (2023-01-03T16:29:17Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳(メタデータ) (2021-11-01T15:31:32Z) - Continual Learning for Blind Image Quality Assessment [80.55119990128419]
ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。
最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。
モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
論文 参考訳(メタデータ) (2021-02-19T03:07:01Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z)
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。