論文の概要: Quality Enhancement of Radiographic X-ray Images by Interpretable Mapping

• arxiv url: http://arxiv.org/abs/2501.12245v1
• Date: Tue, 21 Jan 2025 16:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:46.501810
• Title: Quality Enhancement of Radiographic X-ray Images by Interpretable Mapping
• Title（参考訳）: 解釈型マッピングによるX線画像の品質向上
• Authors: Hongxu Yang, Najib Akram Aboobacker, Xiaomeng Dong, German Gonzalez, Lehel Ferenczi, Gopal Avinash,
• Abstract要約: X線画像の初期表示の不整合は、放射線医による一般的な苦情である。 既存のディープラーニングベースのエンドツーエンドソリューションは、将来性のあるパフォーマンスで自動的に画像を修正することができる。 画像の明るさとコントラストを自動的に拡張する深層学習による新しい解釈可能なマッピング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.282736966249181
• License:
• Abstract: X-ray imaging is the most widely used medical imaging modality. However, in the common practice, inconsistency in the initial presentation of X-ray images is a common complaint by radiologists. Different patient positions, patient habitus and scanning protocols can lead to differences in image presentations, e.g., differences in brightness and contrast globally or regionally. To compensate for this, additional work will be executed by clinical experts to adjust the images to the desired presentation, which can be time-consuming. Existing deep-learning-based end-to-end solutions can automatically correct images with promising performances. Nevertheless, these methods are hard to be interpreted and difficult to be understood by clinical experts. In this manuscript, a novel interpretable mapping method by deep learning is proposed, which automatically enhances the image brightness and contrast globally and locally. Meanwhile, because the model is inspired by the workflow of the brightness and contrast manipulation, it can provide interpretable pixel maps for explaining the motivation of image enhancement. The experiment on the clinical datasets show the proposed method can provide consistent brightness and contrast correction on X-ray images with accuracy of 24.75 dB PSNR and 0.8431 SSIM.
• Abstract（参考訳）: X線イメージングは、最も広く使われている医療画像モダリティである。 しかし,X線画像の初期表示の不整合は,放射線技師の苦情として一般的である。 患者の位置、患者の習慣、走査プロトコルの違いは、画像の提示の違い、例えば、明るさとコントラストの差を全世界または地域的に引き起こす可能性がある。 これを補うために、臨床専門家が追加の作業を行い、望まれるプレゼンテーションに合わせて画像を調整し、時間を要する可能性がある。 既存のディープラーニングベースのエンドツーエンドソリューションは、将来性のあるパフォーマンスで自動的に画像を修正することができる。 しかしながら、これらの手法は解釈が困難であり、臨床専門家が理解することが困難である。 本稿では, 画像の明るさとコントラストを自動的に向上させる, 深層学習による新しい解釈可能なマッピング手法を提案する。 一方、このモデルは明るさとコントラスト操作のワークフローにインスパイアされているため、画像強調の動機を説明するための解釈可能なピクセルマップを提供することができる。 臨床データセットを用いた実験により,提案手法は24.75dBPSNRと0.8431SSIMの精度でX線画像に一貫した明るさとコントラスト補正を与えることができることがわかった。

関連論文リスト

• Medical X-Ray Image Enhancement Using Global Contrast-Limited Adaptive Histogram Equalization [0.7596606040729642]
  G-CLAHE(Global-Contrast Limited Adaptive Histogram Equalization)は、X線に焦点を当てた医療画像に完全に適合する。 この方法は,グローバルヒストグラム等化(GHE)とコントラスト限定アダプティブヒストグラム等化(CLAHE)に適応し,長所と短所を両立させる。
  論文  参考訳（メタデータ） (2024-11-02T22:20:56Z)
• Learning Generalized Medical Image Representations through Image-Graph Contrastive Pretraining [11.520404630575749]
  胸部X線と構造化レポート知識グラフを組み合わせた画像グラフコントラスト学習フレームワークを開発した。 提案手法は,リレーショナルグラフ畳み込みネットワークとトランスフォーマーアテンションを介して,非連結グラフ成分を一意に符号化する。
  論文  参考訳（メタデータ） (2024-05-15T12:27:38Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• Learning Better Contrastive View from Radiologist's Gaze [45.55702035003462]
  診断における放射線技師の視線から学び,医用画像のコントラストビューを生成するための,新たな拡張手法であるFocusContrastを提案する。 具体的には、放射線医の視線の動きを追跡し、X線画像の読影時の視覚的注意をモデル化する。 プラグアンドプレイモジュールとして、FocusContrastは膝X線データセットの分類精度を4.07.0%改善した。
  論文  参考訳（メタデータ） (2023-05-15T17:34:49Z)
• 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)
• 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)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• Improving Endoscopic Decision Support Systems by Translating Between Imaging Modalities [4.760079434948197]
  異なる画像モダリティを示す内視鏡画像への画像-画像変換の適用性について検討した。 コンピュータ支援セリアック病診断において,画像と画像の翻訳がドメイン間の翻訳を効果的に行うことができるかどうかを検討する。
  論文  参考訳（メタデータ） (2020-04-27T06:55:56Z)

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。