論文の概要: BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs
- arxiv url: http://arxiv.org/abs/2409.07304v1
- Date: Wed, 11 Sep 2024 14:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 14:13:20.320835
- Title: BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs
- Title（参考訳）: BLS-GAN : 従来のX線写真における骨オーバーラップ除去のための深層分離フレームワーク
- Authors: Haolin Wang, Yafei Ou, Prasoon Ambalathankandy, Gen Ota, Pengyu Dai, Masayuki Ikebe, Kenji Suzuki, Tamotsu Kamishima,
- Abstract要約: 従来のX線写真では、骨の重なり合いが一般的であり、骨特性の正確な評価を妨げる可能性がある。
本研究は,高品質な骨層画像を生成する骨層分離GAN(BLS-GAN)フレームワークを提案する。
生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
- 参考スコア（独自算出の注目度）: 4.295284976294471
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Conventional radiography is the widely used imaging technology in diagnosing, monitoring, and prognosticating musculoskeletal (MSK) diseases because of its easy availability, versatility, and cost-effectiveness. In conventional radiographs, bone overlaps are prevalent, and can impede the accurate assessment of bone characteristics by radiologists or algorithms, posing significant challenges to conventional and computer-aided diagnoses. This work initiated the study of a challenging scenario - bone layer separation in conventional radiographs, in which separate overlapped bone regions enable the independent assessment of the bone characteristics of each bone layer and lay the groundwork for MSK disease diagnosis and its automation. This work proposed a Bone Layer Separation GAN (BLS-GAN) framework that can produce high-quality bone layer images with reasonable bone characteristics and texture. This framework introduced a reconstructor based on conventional radiography imaging principles, which achieved efficient reconstruction and mitigates the recurrent calculations and training instability issues caused by soft tissue in the overlapped regions. Additionally, pre-training with synthetic images was implemented to enhance the stability of both the training process and the results. The generated images passed the visual Turing test, and improved performance in downstream tasks. This work affirms the feasibility of extracting bone layer images from conventional radiographs, which holds promise for leveraging bone layer separation technology to facilitate more comprehensive analytical research in MSK diagnosis, monitoring, and prognosis. Code and dataset will be made available.
- Abstract（参考訳）: 従来のX線撮影は、筋骨格疾患(MSK)の診断、モニタリング、予後診断に広く用いられている。
従来のX線写真では、骨の重なりが一般的であり、放射線技師やアルゴリズムによる骨特性の正確な評価を妨げ、従来の診断やコンピュータ支援の診断に重大な課題を生じさせる可能性がある。
本研究は, 従来のX線写真における骨層分離(骨層分離), 骨層分離(骨層分離), 骨層分離(骨層分離), 骨層分離(骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離, 骨層分離,
本研究は骨層分離GAN(BLS-GAN)フレームワークを提案する。
この枠組みは, 従来のX線撮影の原理に基づく再構成装置を導入し, 重なり合う領域の軟組織に起因する再帰的計算とトレーニング不安定性の問題の緩和を実現した。
さらに, 合成画像による事前トレーニングを実施し, トレーニングプロセスの安定性と結果の安定性を向上した。
生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
本研究は,MSK診断,モニタリング,予後に関するより包括的な分析研究を促進するために,骨層分離技術を活用することを約束する従来のX線写真から骨層像を抽出する可能性を確認するものである。
コードとデータセットが利用可能になる。
関連論文リスト
- Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs [0.0]
Singh Index (SI) は単純で半定量的な骨粗しょう症の診断方法である。
本研究は, 機械学習アルゴリズムを用いて, ラジオグラフからのSI識別を自動化することを目的とする。
論文 参考訳（メタデータ） (2024-11-22T08:44:43Z) - GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising [1.0138723409205497]
GAN(Generative Adversarial Networks)は低線量CT(LDCT)領域における革命的要素として浮上している。
本総説では,GANに基づくLDCT復調技術の急速な進歩を概観する。
論文 参考訳（メタデータ） (2024-11-14T15:26:10Z) - BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - 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) - Unsupervised Iterative U-Net with an Internal Guidance Layer for
Vertebrae Contrast Enhancement in Chest X-Ray Images [1.521162809610347]
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。
論文 参考訳（メタデータ） (2023-06-06T19:36:11Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳（メタデータ） (2022-06-27T10:31:03Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。