論文の概要: Enhancing Quantitative Image Synthesis through Pretraining and Resolution Scaling for Bone Mineral Density Estimation from a Plain X-ray Image
- arxiv url: http://arxiv.org/abs/2407.20495v1
- Date: Tue, 30 Jul 2024 01:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 18:28:58.207113
- Title: Enhancing Quantitative Image Synthesis through Pretraining and Resolution Scaling for Bone Mineral Density Estimation from a Plain X-ray Image
- Title（参考訳）: 原X線画像からの骨密度推定のための前処理と分解能スケーリングによる定量的画像合成の強化
- Authors: Yi Gu, Yoshito Otake, Keisuke Uemura, Masaki Takao, Mazen Soufi, Seiji Okada, Nobuhiko Sugano, Hugues Talbot, Yoshinobu Sato,
- Abstract要約: 本研究の目的は、事前学習と画像分解能のスケーリングを探索することで、定量的画像合成(QIS)を改善することである。
原X線画像からのQISに基づく骨密度推定のタスクを用いて,プレトレーニング性能を評価するためのベンチマークを提案する。
- 参考スコア（独自算出の注目度）: 7.832005676209272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While most vision tasks are essentially visual in nature (for recognition), some important tasks, especially in the medical field, also require quantitative analysis (for quantification) using quantitative images. Unlike in visual analysis, pixel values in quantitative images correspond to physical metrics measured by specific devices (e.g., a depth image). However, recent work has shown that it is sometimes possible to synthesize accurate quantitative values from visual ones (e.g., depth from visual cues or defocus). This research aims to improve quantitative image synthesis (QIS) by exploring pretraining and image resolution scaling. We propose a benchmark for evaluating pretraining performance using the task of QIS-based bone mineral density (BMD) estimation from plain X-ray images, where the synthesized quantitative image is used to derive BMD. Our results show that appropriate pretraining can improve QIS performance, significantly raising the correlation of BMD estimation from 0.820 to 0.898, while others do not help or even hinder it. Scaling-up the resolution can further boost the correlation up to 0.923, a significant enhancement over conventional methods. Future work will include exploring more pretraining strategies and validating them on other image synthesis tasks.
- Abstract（参考訳）: ほとんどの視覚タスクは本質的に視覚的な(認識のための)ものであるが、医療分野において重要なタスクは、定量画像を用いた定量的解析(定量化のための)も必要である。
視覚解析とは異なり、定量的画像の画素値は、特定のデバイス(例えば深度画像)によって測定された物理メトリクスに対応する。
しかし、近年の研究では、視覚的値(例えば、視覚的手がかりやデフォーカスからの深さ)から正確な定量値の合成が可能であることが示されている。
本研究の目的は、事前学習と画像分解能のスケーリングを探索することで、定量的画像合成(QIS)を改善することである。
合成量画像を用いてBMDを導出する原X線画像から,QISに基づく骨密度推定(BMD)タスクを用いて事前学習性能を評価するベンチマークを提案する。
以上の結果から,適切な事前学習がQIS性能の向上に寄与し,BMD推定値の0.820から0.898への相関が著しく高まった。
分解能のスケールアップにより相関は0.923まで向上し、従来の方法よりも大幅に向上する。
今後の作業には、事前学習戦略の探索や、他の画像合成タスクでの検証が含まれる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - mmID: High-Resolution mmWave Imaging for Human Identification [16.01613518230451]
本稿では,条件付き生成逆数ネットワーク(cGAN)を用いて人体全体を推定することで画像分解能を向上させることを提案する。
本システムは,人間の識別に有用な特徴を抽出できる,環境に依存しない高解像度画像を生成する。
その結果,Kinectデバイスに5%のシルエット差が認められた。
論文 参考訳（メタデータ） (2024-02-01T20:19:38Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Physiology-based simulation of the retinal vasculature enables
annotation-free segmentation of OCT angiographs [8.596819713822477]
提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。
提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
論文 参考訳（メタデータ） (2022-07-22T14:22:22Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Image Quality Assessment for Magnetic Resonance Imaging [4.05136808278614]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。
我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。
7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
論文 参考訳（メタデータ） (2022-03-15T11:52:29Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳（メタデータ） (2021-11-29T11:53:06Z) - Evaluation of Complexity Measures for Deep Learning Generalization in
Medical Image Analysis [77.34726150561087]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。
また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文 参考訳（メタデータ） (2021-03-04T20:58:22Z) - Multi-view Human Pose and Shape Estimation Using Learnable Volumetric
Aggregation [0.0]
キャリブレーションされた多視点画像から3次元人体ポーズと形状を再構成する学習可能なアグリゲーション手法を提案する。
従来の手法と比較して,我々のフレームワークは,コスト効率を考えると,より精度が高く,リアルタイムな予測が期待できる。
論文 参考訳（メタデータ） (2020-11-26T18:33:35Z) - Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。
提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
論文 参考訳（メタデータ） (2020-06-19T16:52:16Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。