Fugu-MT 論文翻訳(概要): RetinaRegen: A Hybrid Model for Readability and Detail Restoration in Fundus Images

論文の概要: RetinaRegen: A Hybrid Model for Readability and Detail Restoration in Fundus Images

arxiv url: http://arxiv.org/abs/2502.19153v1
Date: Wed, 26 Feb 2025 14:10:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-27 14:58:20.221027
Title: RetinaRegen: A Hybrid Model for Readability and Detail Restoration in Fundus Images
Title（参考訳）: RetinaRegen: 基底画像の読みやすさと詳細復元のためのハイブリッドモデル
Authors: Yuhan Tang, Yudian Wang, Weizhen Li, Ye Yue, Chengchang Pan, Honggang Qi,
Abstract要約: RetinaRegenは、可読性クラスフィカチオンモデル、拡散モデル、変分オートエンコーダを統合した網膜画像復元のためのハイブリッドモデルである。 SynFundus-1Mデータセットの既存の特徴は、提案手法がPSNR 27.4521、SSIM 0.9556、LPIPS 0.1911を光学ディスクの可読性ラベルとして達成していることを示している。
参考スコア（独自算出の注目度）: 4.7244823473263615
License:
Abstract: Fundus image quality is crucial for diagnosing eye diseases, but real-world conditions often result in blurred or unreadable images, increasing diagnostic uncertainty. To address these challenges, this study proposes RetinaRegen, a hybrid model for retinal image restoration that integrates a readability classifi-cation model, a Diffusion Model, and a Variational Autoencoder (VAE). Ex-periments on the SynFundus-1M dataset show that the proposed method achieves a PSNR of 27.4521, an SSIM of 0.9556, and an LPIPS of 0.1911 for the readability labels of the optic disc (RO) region. These results demonstrate superior performance in restoring key regions, offering an effective solution to enhance fundus image quality and support clinical diagnosis.
Abstract（参考訳）: 眼疾患の診断には、眼底画像の品質が不可欠であるが、現実の状況は、しばしばぼやけた画像や読めない画像につながり、診断の不確かさが増す。これらの課題に対処するために,可読性クラスifi-cationモデル,拡散モデル,変分オートエンコーダ(VAE)を統合した網膜画像修復用ハイブリッドモデルであるRetinaRegenを提案する。 SynFundus-1Mデータセットの既存の特徴は、提案手法がPSNR 27.4521、SSIM 0.9556、LPIPS 0.1911を光学ディスク(RO)領域の可読性ラベルとして達成していることを示している。これらの結果は, 眼底画像の質を高め, 臨床診断を支援する効果的な方法として, キー領域の復元において優れた性能を示した。

関連論文リスト

Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
Graph-Guided Test-Time Adaptation for Glaucoma Diagnosis using Fundus Photography [36.328434151676525]
緑内障は世界中で不可逆的な盲目の原因となっている。眼底画像を用いた深層学習は緑内障の早期診断を大幅に改善した。異なるデバイスや場所(ドメインシフトとして知られる)からのイメージの変化は、実世界の設定で事前トレーニングされたモデルを使用することに挑戦する。緑内障の診断モデルを未知のテスト環境に一般化するためのグラフ誘導テスト時間適応フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-05T10:06:55Z)
A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features [3.717366858126521]
網膜基底像の異常は特定の病態を示す可能性がある。従来の医学では、網膜関連疾患の診断は、医師の網膜基底画像の主観的評価に依存している。本稿では,網膜基底画像関連疾患の迅速かつ客観的かつ正確な診断法を提案する。
論文参考訳（メタデータ） (2024-05-25T13:52:40Z)
Step-Calibrated Diffusion for Biomedical Optical Image Restoration [47.191704042917394]
再生ステップ校正拡散(Resorative Step-Calibrated Diffusion、RSCD)は、拡散に基づく画像復元法である。 RSCDは、画像品質と知覚評価の両方において、他の広く使われている未使用画像復元方法よりも優れている。 RSCDは、自動脳腫瘍診断や深部組織イメージングなど、下流の臨床画像タスクのパフォーマンスを改善する。
論文参考訳（メタデータ） (2024-03-20T15:38:53Z)
An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文参考訳（メタデータ） (2022-12-12T22:06:47Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
RFormer: Transformer-based Generative Adversarial Network for Real Fundus Image Restoration on A New Clinical Benchmark [8.109057397954537]
眼科医は眼疾患のスクリーニングと診断に眼底画像を使用している。低品質 (LQ) 劣化した眼底画像は, 臨床検診における不確実性を引き起こしやすく, 一般的に誤診のリスクを増大させる。本稿では, 臨床基礎画像の真の劣化を回復するために, トランスフォーマーベースの生成適応ネットワーク(RFormer)を提案する。
論文参考訳（メタデータ） (2022-01-03T03:56:58Z)
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)
Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。低解像を補うための強力な深層学習に基づく画像強化手法を検討する。復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文参考訳（メタデータ） (2021-03-04T10:45:01Z)
Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。