論文の概要: BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2412.15670v3
• Date: Mon, 30 Dec 2024 02:40:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:00:17.412416
• Title: BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models
• Title（参考訳）: BS-LDM:条件付き潜伏拡散モデルを用いた高分解能胸部X線像の骨抑制効果
• Authors: Yifei Sun, Zhanghao Chen, Hao Zheng, Wenming Deng, Jin Liu, Wenwen Min, Ahmed Elazab, Xiang Wan, Changmiao Wang, Ruiquan Ge,
• Abstract要約: 肺疾患は、Chest X-Ray(CXR)が重要な診断ツールであると共に、重要な世界的な健康上の課題である。 肺病変の検出は、しばしばCXR画像の重なり合う骨構造によって妨げられ、潜在的な誤診につながる。 我々は,高解像度CXR画像の骨を効果的に抑制するために,BS-LDMと呼ばれるエンドツーエンドのフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 23.830681949520745
• License:
• Abstract: Lung diseases represent a significant global health challenge, with Chest X-Ray (CXR) being a key diagnostic tool due to their accessibility and affordability. Nonetheless, the detection of pulmonary lesions is often hindered by overlapping bone structures in CXR images, leading to potential misdiagnoses. To address this issue, we developed an end-to-end framework called BS-LDM, designed to effectively suppress bone in high-resolution CXR images. This framework is based on conditional latent diffusion models and incorporates a multi-level hybrid loss-constrained vector-quantized generative adversarial network which is crafted for perceptual compression, ensuring the preservation of details. To further enhance the framework's performance, we introduce offset noise and a temporal adaptive thresholding strategy. These additions help minimize discrepancies in generating low-frequency information, thereby improving the clarity of the generated soft tissue images. Additionally, we have compiled a high-quality bone suppression dataset named SZCH-X-Rays. This dataset includes 818 pairs of high-resolution CXR and dual-energy subtraction soft tissue images collected from a partner hospital. Moreover, we processed 241 data pairs from the JSRT dataset into negative images, which are more commonly used in clinical practice. Our comprehensive experimental and clinical evaluations reveal that BS-LDM excels in bone suppression, underscoring its significant clinical value.
• Abstract（参考訳）: 肺疾患は、Chest X-Ray(CXR)がそのアクセシビリティと手頃な価格のため、重要な診断ツールである。 それにもかかわらず、肺病変の検出は、しばしばCXR画像の重なり合う骨構造によって妨げられ、潜在的な誤診につながる。 この問題に対処するため,高解像度CXR画像の骨を効果的に抑制するBS-LDMというエンドツーエンドフレームワークを開発した。 このフレームワークは条件付き潜伏拡散モデルに基づいており、知覚的圧縮のために構築され、詳細の保存を確実にする多レベルハイブリッド損失制約ベクトル量子化生成対向ネットワークを組み込んでいる。 フレームワークの性能をさらに高めるため,オフセットノイズと時間適応しきい値設定戦略を導入する。 これらの追加は、低周波情報の生成における相違を最小化し、それによって生成された軟組織像の明瞭さを向上させる。 さらに,SZCH-X-Raysという高品質な骨抑制データセットを作成した。 このデータセットは、パートナー病院から収集された818対の高解像度CXRと2重エネルギーサブトラクション軟組織画像を含む。 さらに,JSRTデータセットから241個のデータペアを負の画像に加工した。 BS-LDMは骨抑制に優れており,臨床的に有意な評価が得られた。

関連論文リスト

• Efficient Medicinal Image Transmission and Resolution Enhancement via GAN [0.0]
  本稿では,ネットワーク伝送の最適化により画像の品質を向上する効率的な手法を提案する。 Real-ESRGANによるX線画像の低解像度ファイルへの前処理は、サーバの負荷と送信帯域幅の削減に役立つ。 低解像度画像はReal-ESRGANを用いて受信端でアップスケールされる。
  論文  参考訳（メタデータ） (2024-11-19T19:39:42Z)
• BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs [4.295284976294471]
  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。 本研究では,高品質な骨層画像を生成する骨層分離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。
  論文  参考訳（メタデータ） (2024-09-11T14:34:17Z)
• 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)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:09:01Z)
• 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)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• 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)
• A bone suppression model ensemble to improve COVID-19 detection in chest X-rays [0.6999740786886535]
  我々は,前頭部胸部X線像の骨を抑制するために,畳み込みニューラルネットワークモデルのアンサンブルを構築することを提案する。 骨抑制モデルでは,MS-SSIMなどの指標で個々のモデルよりも優れた性能を示した。 CXRモダリティ特異的分類モデルは、非骨抑制および骨抑制画像に基づいて再訓練され、正常な肺または他のCOVID-19様の徴候を示すものとして分類される。
  論文  参考訳（メタデータ） (2021-11-05T11:27:26Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。