論文の概要: Diffusion-based Iterative Counterfactual Explanations for Fetal Ultrasound Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2403.08700v1
• Date: Wed, 13 Mar 2024 17:04:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 13:38:34.999143
• Title: Diffusion-based Iterative Counterfactual Explanations for Fetal Ultrasound Image Quality Assessment
• Title（参考訳）: 拡散に基づく胎児の反復的対実的説明 超音波画像品質評価
• Authors: Paraskevas Pegios, Manxi Lin, Nina Weng, Morten Bo S{\o}ndergaard Svendsen, Zahra Bashir, Siavash Bigdeli, Anders Nymark Christensen, Martin Tolsgaard and Aasa Feragen
• Abstract要約: 拡散に基づく反現実的説明可能なAIを用いて、低品質の非標準平面から現実的な高品質の標準平面を生成する。 このことは、視覚的フィードバックを提供することによる臨床医の訓練の強化と、画質の向上、そして下流の診断とモニタリングの両立を将来の約束として示している。
• 参考スコア（独自算出の注目度）: 6.185886588296547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Obstetric ultrasound image quality is crucial for accurate diagnosis and monitoring of fetal health. However, producing high-quality standard planes is difficult, influenced by the sonographer's expertise and factors like the maternal BMI or the fetus dynamics. In this work, we propose using diffusion-based counterfactual explainable AI to generate realistic high-quality standard planes from low-quality non-standard ones. Through quantitative and qualitative evaluation, we demonstrate the effectiveness of our method in producing plausible counterfactuals of increased quality. This shows future promise both for enhancing training of clinicians by providing visual feedback, as well as for improving image quality and, consequently, downstream diagnosis and monitoring.
• Abstract（参考訳）: 胎児の健康状態の正確な診断とモニタリングには,超音波画像の品質が不可欠である。 しかし、音韻学者の専門知識や母性BMIや胎児のダイナミクスなどの影響を受け、高品質な標準平面の作成は困難である。 本研究では,拡散に基づく対物的説明可能なAIを用いて,低品質の非標準平面から現実的な高品質の標準平面を生成することを提案する。 定量的および定性的な評価を通じて,本手法が品質向上に有効であることを示す。 このことは、視覚的フィードバックを提供することによる臨床医の訓練の強化と、画質の向上、そして下流の診断とモニタリングの両立を将来の約束として示している。

関連論文リスト

• Ultrasound-QBench: Can LLMs Aid in Quality Assessment of Ultrasound Imaging? [34.54497616551514]
  Ultrasound-QBenchは、超音波画像の品質評価タスクにおいて、マルチモーダル大言語モデル(MLLM)を体系的に評価する包括的なベンチマークである。 評価の結果,MLLMは超音波画像品質分類における低レベル視覚タスクの予備的機能を有することがわかった。
  論文  参考訳（メタデータ） (2025-01-06T03:58:31Z)
• A No-Reference Medical Image Quality Assessment Method Based on Automated Distortion Recognition Technology: Application to Preprocessing in MRI-guided Radiotherapy [9.332679162161428]
  肝転移10例のMR画像106,000点について検討した。 1) 主要な診断特徴の可視性を高めるための事前処理。 腫瘍追跡アルゴリズムでは,前処理画像の追跡精度が有意に向上した。
  論文  参考訳（メタデータ） (2024-12-09T15:48:16Z)
• Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
  プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。 疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
  論文  参考訳（メタデータ） (2024-11-25T13:40:11Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation [59.91293113930909]
  超音波による組織散乱の可視化と定量化は中上イメージングが約束している。 既存の手法では、最適なウィンドウサイズの選択に苦労し、推定の不安定性に悩まされている。 提案手法は,中上パラメータ推定のための高精度でクローズドな形状推定器であるUNICORNを提案する。
  論文  参考訳（メタデータ） (2024-03-10T18:05:41Z)
• Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering [0.03262230127283451]
  超音波画像の品質は低く、サーバ間変動によるノイズの多いアノテーションに悩まされている。 我々は,手動アノテーションの負担と不確実性を解消するUnSupervised UltraSound Image Quality Assessment Network (US2QNet)を提案する。 提案手法は,最先端クラスタリング手法よりも精度が78%,性能が優れている。
  論文  参考訳（メタデータ） (2023-07-05T17:34:58Z)
• Hierarchical Agent-based Reinforcement Learning Framework for Automated Quality Assessment of Fetal Ultrasound Video [8.417002987388319]
  スキャンの全体的な品質とフレームの品質の相関性を見落としてはいけない。 フレームレベルの品質評価とビデオレベルの品質評価の両方を協調的に学習する2つの階層型エージェントを活用した強化学習フレームワークを提案する。 課題となる胎児脳データセットの実験結果から、提案したフレームワークが二重レベルの品質評価を行うことができることを確認した。
  論文  参考訳（メタデータ） (2023-04-14T10:10:45Z)
• Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
  低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。 主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。 提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
  論文  参考訳（メタデータ） (2023-02-22T15:57:03Z)
• Self-supervised Domain Adaptation for Breaking the Limits of Low-quality Fundus Image Quality Enhancement [14.677912534121273]
  低画質の眼底画像とスタイルの整合性は、眼底疾患の診断における不確実性を高める可能性がある。 画像内容、低品質要因、スタイル情報の特徴を乱すために、2つの自己教師付きドメイン適応タスクを定式化する。 我々のDASQE法は,低画質の画像しか得られない場合に,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-01-17T15:07:20Z)
• 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)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)

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。