論文の概要: Deep Perceptual Enhancement for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2503.08027v1
• Date: Tue, 11 Mar 2025 04:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:17:43.856296
• Title: Deep Perceptual Enhancement for Medical Image Analysis
• Title（参考訳）: 医用画像解析のための深部知覚強調
• Authors: S M A Sharif, Rizwan Ali Naqvi, Mithun Biswas, Woong-Kee Loh,
• Abstract要約: 本研究では,医療画像解析タスクの高速化にエンド・ツー・エンド・ラーニング・ストラテジーを導入することで,このような低品質な画像を改善することを提案する。 最大の懸念は、知覚の増強に包括的に取り組む医療画像における最初の研究である。 提案手法は, 医用画像解析タスクの性能を大幅に向上させ, 実世界の応用においてそのような拡張手法の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 11.368518397056954
• License:
• Abstract: Due to numerous hardware shortcomings, medical image acquisition devices are susceptible to producing low-quality (i.e., low contrast, inappropriate brightness, noisy, etc.) images. Regrettably, perceptually degraded images directly impact the diagnosis process and make the decision-making manoeuvre of medical practitioners notably complicated. This study proposes to enhance such low-quality images by incorporating end-to-end learning strategies for accelerating medical image analysis tasks. To the best concern, this is the first work in medical imaging which comprehensively tackles perceptual enhancement, including contrast correction, luminance correction, denoising, etc., with a fully convolutional deep network. The proposed network leverages residual blocks and a residual gating mechanism for diminishing visual artefacts and is guided by a multi-term objective function to perceive the perceptually plausible enhanced images. The practicability of the deep medical image enhancement method has been extensively investigated with sophisticated experiments. The experimental outcomes illustrate that the proposed method could outperform the existing enhancement methods for different medical image modalities by 5.00 to 7.00 dB in peak signal-to-noise ratio (PSNR) metrics and 4.00 to 6.00 in DeltaE metrics. Additionally, the proposed method can drastically improve the medical image analysis tasks' performance and reveal the potentiality of such an enhancement method in real-world applications. Code Available: https://github.com/sharif-apu/DPE_JBHI
• Abstract（参考訳）: 多くのハードウェアの欠点のため、医用画像取得装置は、低画質(低コントラスト、不適切な明るさ、ノイズなど)の画像を生成することができる。 直感的に劣化した画像は診断プロセスに直接影響を与え、医療従事者の意思決定操作を特に複雑にします。 本研究では,医療画像解析タスクの高速化にエンド・ツー・エンド・ラーニング・ストラテジーを導入することで,このような低品質な画像を改善することを提案する。 最大の懸念は、コントラスト補正、輝度補正、デノナイジングなど、完全な畳み込み深層ネットワークを含む知覚の強化に包括的に取り組む医療画像における最初の研究である。 提案するネットワークは,残差ブロックと残差ゲーティング機構を利用して視覚アーチファクトを低減し,多目的関数を用いて知覚可能な拡張画像を知覚する。 深部医用画像強調法の実践性は, 高度な実験により広く研究されている。 実験結果から,提案手法は,ピーク信号-雑音比(PSNR)では5.00～7.00dB,デルタEでは4.00～6.00dBで既存の医用画像モダリティ向上手法よりも優れていることが示された。 さらに,提案手法は,医用画像解析タスクの性能を大幅に向上させるとともに,実世界の応用においてそのような拡張手法の可能性を明らかにすることができる。 コード提供: https://github.com/sharif-apu/DPE_JBHI

関連論文リスト

• LIP-CAR: contrast agent reduction by a deep learned inverse problem [0.0]
  コントラスト剤の低減問題は、視力増強を保ちながらコントラスト剤の投与量を減少させることである。 CARタスクに関する現在の文献は、完全な画像処理フレームワーク内のディープラーニング技術に基づいている。 我々は,高線量画像を対応する低線量画像にマッピングするイメージ・ツー・イメージ演算子を学習し,CARタスクを逆問題とする。 正規化法は、堅牢性と説明可能性を提供するよく確立された数学的手法である。
  論文  参考訳（メタデータ） (2024-07-15T09:16:54Z)
• 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)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
  正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。 そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。 統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Lesion-Inspired Denoising Network: Connecting Medical Image Denoising and Lesion Detection [6.170271503640482]
  LIDnet(Lesion-Inspired Denoising Network)を提案し、デノイジング性能と病変検出精度を向上させます。 実験により, LIDnetを装着することにより, ベースライン法におけるノイズ検出と病変検出の両性能を著しく向上できることが示された。
  論文  参考訳（メタデータ） (2021-04-18T12:53:36Z)
• Task-Oriented Low-Dose CT Image Denoising [11.278150927185994]
  本稿では,下流タスクの知識を活かしたタスク指向のネットワーク(TOD-Net)を提案する。 提示された作品は、コンテキストアウェアな画像ノイズ除去手法の将来の開発に光を当てるかもしれない。
  論文  参考訳（メタデータ） (2021-03-25T01:47:55Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。