論文の概要: Evaluation of Machine-generated Biomedical Images via A Tally-based Similarity Measure

• arxiv url: http://arxiv.org/abs/2503.22658v1
• Date: Fri, 28 Mar 2025 17:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:32:49.015397
• Title: Evaluation of Machine-generated Biomedical Images via A Tally-based Similarity Measure
• Title（参考訳）: Tally-based similarity Measure を用いた機械生成バイオメディカル画像の評価
• Authors: Frank J. Brooks, Rucha Deshpande,
• Abstract要約: 合成画像の品質を定量的かつ権威的に評価することは困難である。 生成された画質の有意義な評価は、Tversky Indexを使って達成できる。 主な結果は、主観性と本質的な特徴符号化選択の欠陥が先行すると、トヴェルスキーの手法は直感的な結果をもたらすということである。
• 参考スコア（独自算出の注目度）: 1.12359878474312
• License:
• Abstract: Super-resolution, in-painting, whole-image generation, unpaired style-transfer, and network-constrained image reconstruction each include an aspect of machine-learned image synthesis where the actual ground truth is not known at time of use. It is generally difficult to quantitatively and authoritatively evaluate the quality of synthetic images; however, in mission-critical biomedical scenarios robust evaluation is paramount. In this work, all practical image-to-image comparisons really are relative qualifications, not absolute difference quantifications; and, therefore, meaningful evaluation of generated image quality can be accomplished using the Tversky Index, which is a well-established measure for assessing perceptual similarity. This evaluation procedure is developed and then demonstrated using multiple image data sets, both real and simulated. The main result is that when the subjectivity and intrinsic deficiencies of any feature-encoding choice are put upfront, Tversky's method leads to intuitive results, whereas traditional methods based on summarizing distances in deep feature spaces do not.
• Abstract（参考訳）: 超解像度、インペイント、全画像生成、アンペア化スタイルトランスファー、ネットワークに制約のある画像再構成は、いずれも、実地真実が使われていないマシン学習画像合成の側面を含む。 一般的に、合成画像の品質を定量的かつ権威的に評価することは困難であるが、ミッションクリティカルなバイオメディカルシナリオでは、ロバスト評価が最重要である。 本研究では, 画像と画像の実際の比較は, 絶対差分量化ではなく, 相対的資格であり, 従って, 知覚的類似性を評価するための確立された尺度であるTversky Indexを用いて, 生成した画像品質の有意な評価を行うことができる。 この評価手法を開発し、実画像とシミュレートされた複数の画像データセットを用いて実証する。 主な結果は、主観性と本質的な特徴符号化選択の不備が先行すると、トヴェルスキーの手法は直感的な結果をもたらすが、深い特徴空間における距離を要約する伝統的な手法はそうではないということである。

関連論文リスト

• Five Pitfalls When Assessing Synthetic Medical Images with Reference Metrics [0.9582978458237521]
  2つのイメージを客観的かつ定量的に比較するために、参照メトリクスが開発された。 基準指標の相関と品質に対する人間の知覚は、様々な種類の歪みに対して強く異なる。 予想外の,おそらく望ましくない基準スコアを示す5つの落とし穴を選択した。
  論文  参考訳（メタデータ） (2024-08-12T11:48:57Z)
• Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs [0.0]
  本研究では,3次元ResNetをトレーニングすることで脳MRI品質を評価するための,ディープラーニングに基づく新しい非参照手法を提案する。 このネットワークは、MRIスキャンでよく見られる6つの異なるアーティファクトで品質を推定するように設計されている。 その結果、歪みを正確に推定し、複数の視点から画質を反映する性能が向上した。
  論文  参考訳（メタデータ） (2024-07-20T22:05:30Z)
• Metrics to Quantify Global Consistency in Synthetic Medical Images [6.863780677964219]
  画像毎の合成画像のグローバルな一貫性を計測できる2つの指標を導入する。 我々は、教師付きニューラルネットワークを用いて、パッチ上の画像の明示的な属性を予測し、比較することにより、グローバルな一貫性を定量化する。 その結果、パッチ上の合成画像の明示的な属性を予測することは、一貫性のない画像とグローバルに一致していることが示されている。
  論文  参考訳（メタデータ） (2023-08-01T09:29:39Z)
• Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery [0.07499722271664144]
  公的に利用可能な糖尿病網膜症(DR)データセットは不均衡であり、DRを持つ画像の数が限られている。 この不均衡に対処するには、GAN(Geneversarative Adrial Networks)を使用して、データセットを合成画像で拡張する。 合成画像の品質と多様性を評価するために、マルチスケール構造類似度指数(MS-SSIM)、コサイン距離(CD)、Fr't Inception Distance(FID)などの評価指標を用いる。
  論文  参考訳（メタデータ） (2022-08-10T23:50:01Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
  本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。 頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
  論文  参考訳（メタデータ） (2020-08-26T01:34:19Z)

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。