Fugu-MT 論文翻訳(概要): Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction

論文の概要: Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction

arxiv url: http://arxiv.org/abs/2501.15610v1
Date: Sun, 26 Jan 2025 17:32:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-28 13:54:49.283824
Title: Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction
Title（参考訳）: 汎用CT金属アーチファクトリダクションのための放射線治療 : ロープセルフトレーニング
Authors: Chenglong Ma, Zilong Li, Yuanlin Li, Jing Han, Junping Zhang, Yi Zhang, Jiannan Liu, Hongming Shan,
Abstract要約: シミュレーションデータセットを用いてトレーニングされた金属アーティファクト削減法(MAR)は、しばしば実際の臨床CT画像でうまく機能するのに苦労する。放射線技師のフィードバックを半教師付き学習プロセスに統合するRISE-MARを提案する。品質保証のために,放射線技師の評価をエミュレートする臨床品質評価モデルを導入する。量保証のために、我々の自己学習フレームワークは、付加的な高品質な擬似地下構造を反復的に生成する。
参考スコア（独自算出の注目度）: 34.83421198668549
License:
Abstract: Metal artifacts in computed tomography (CT) images can significantly degrade image quality and impede accurate diagnosis. Supervised metal artifact reduction (MAR) methods, trained using simulated datasets, often struggle to perform well on real clinical CT images due to a substantial domain gap. Although state-of-the-art semi-supervised methods use pseudo ground-truths generated by a prior network to mitigate this issue, their reliance on a fixed prior limits both the quality and quantity of these pseudo ground-truths, introducing confirmation bias and reducing clinical applicability. To address these limitations, we propose a novel Radiologist-In-the-loop SElf-training framework for MAR, termed RISE-MAR, which can integrate radiologists' feedback into the semi-supervised learning process, progressively improving the quality and quantity of pseudo ground-truths for enhanced generalization on real clinical CT images. For quality assurance, we introduce a clinical quality assessor model that emulates radiologist evaluations, effectively selecting high-quality pseudo ground-truths for semi-supervised training. For quantity assurance, our self-training framework iteratively generates additional high-quality pseudo ground-truths, expanding the clinical dataset and further improving model generalization. Extensive experimental results on multiple clinical datasets demonstrate the superior generalization performance of our RISE-MAR over state-of-the-art methods, advancing the development of MAR models for practical application. Code is available at https://github.com/Masaaki-75/rise-mar.
Abstract（参考訳）: CT画像中の金属遺物は画像品質を著しく低下させ,正確な診断を阻害する可能性がある。シミュレーションデータセットを用いてトレーニングされた金属アーティファクトリダクション(MAR)法は、ドメインギャップがかなり大きいため、実際の臨床CT画像でよく機能するのに苦慮することが多い。最先端の半教師法はこの問題を緩和するために、先行ネットワークによって生成された擬似的基底構造を用いるが、それらの疑似基底構造の品質と量の両方に一定の事前制限を依存させ、確証バイアスを導入し、臨床応用性を低下させる。これらの制約に対処するために, RISE-MAR という, 放射線技師のフィードバックを半教師付き学習プロセスに統合し, 実際の臨床CT画像の一般化を促進するために, 疑似基盤の質と量を徐々に改善する, MAR の新たな自己学習フレームワークを提案する。品質保証のために,放射線医学的評価をエミュレートする臨床品質評価モデルを導入し,半教師トレーニングのための高品質な疑似地下構造を効果的に選択する。量保証のために、我々の自己学習フレームワークは、さらに高品質な擬似地下構造を生成し、臨床データセットを拡大し、モデル一般化をさらに改善する。複数の臨床データセットに対する大規模な実験結果から, RISE-MARの最先端手法よりも優れた一般化性能を示し, 実用化に向けたMARモデルの開発を推進した。コードはhttps://github.com/Masaaki-75/rise-marで入手できる。

関連論文リスト

Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
論文参考訳（メタデータ） (2024-07-15T16:38:59Z)
Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文参考訳（メタデータ） (2024-03-19T00:07:48Z)
BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in heterogeneous data with cross-domain self-supervised learning [1.7479385556004874]
BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
論文参考訳（メタデータ） (2024-02-09T16:10:13Z)
Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains [8.40564813751161]
金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
論文参考訳（メタデータ） (2023-08-31T14:00:47Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文参考訳（メタデータ） (2021-04-02T20:52:05Z)
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)
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。