論文の概要: Enhanced Dermatology Image Quality Assessment via Cross-Domain Training

• arxiv url: http://arxiv.org/abs/2506.16116v1
• Date: Thu, 19 Jun 2025 08:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.98888
• Title: Enhanced Dermatology Image Quality Assessment via Cross-Domain Training
• Title（参考訳）: クロスドメイントレーニングによる皮膚科画像品質評価の強化
• Authors: Ignacio Hernández Montilla, Alfonso Medela, Paola Pasquali, Andy Aguilar, Taig Mac Carthy, Gerardo Fernández, Antonio Martorell, Enrique Onieva,
• Abstract要約: テレダーマトロジーでは、画像の粗悪さは未解決の問題のままである。 皮膚科学における画像品質評価(IQA)の研究は少ない。 皮膚科と非皮膚科のIQAデータセットを組み合わせたIQAモデルのクロスドメイントレーニングを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Teledermatology has become a widely accepted communication method in daily clinical practice, enabling remote care while showing strong agreement with in-person visits. Poor image quality remains an unsolved problem in teledermatology and is a major concern to practitioners, as bad-quality images reduce the usefulness of the remote consultation process. However, research on Image Quality Assessment (IQA) in dermatology is sparse, and does not leverage the latest advances in non-dermatology IQA, such as using larger image databases with ratings from large groups of human observers. In this work, we propose cross-domain training of IQA models, combining dermatology and non-dermatology IQA datasets. For this purpose, we created a novel dermatology IQA database, Legit.Health-DIQA-Artificial, using dermatology images from several sources and having them annotated by a group of human observers. We demonstrate that cross-domain training yields optimal performance across domains and overcomes one of the biggest limitations in dermatology IQA, which is the small scale of data, and leads to models trained on a larger pool of image distortions, resulting in a better management of image quality in the teledermatology process.
• Abstract（参考訳）: テレダーマトロジーは日常的な臨床実践において広く受け入れられるコミュニケーション手法となり、遠隔医療が可能となった。 テレダーマロジーにおける画像品質の低下は未解決の問題であり, 遠隔コンサルテーションプロセスの有用性を低下させるため, 実践者にとって大きな懸念点となっている。 しかし、皮膚科における画像品質評価(IQA)の研究は希少であり、人間の大規模な観察者の評価による画像データベースの利用など、非皮膚科IQAの最近の進歩を生かしていない。 本研究では,皮膚学と非皮膚学のIQAデータセットを組み合わせたIQAモデルのクロスドメイントレーニングを提案する。 そこで我々は,複数の情報源から得られた皮膚画像を用いて,人間の観察者グループによって注釈付けされた新しい皮膚学IQAデータベース,Legit.Health-DIQA-Artificialを作成した。 我々は,領域横断トレーニングがドメイン間の最適な性能を達成し,小さなデータスケールである皮膚科における最大の限界であるIQAを克服し,画像歪みのプールでトレーニングされたモデルに導かれることを実証し,テレダーマトロジープロセスにおける画像品質のより良い管理を実現する。

関連論文リスト

• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with Semi Supervised Learning for Low Dose CT [6.158876574189994]
  画像品質評価(IQA)は放射線線量最適化と新しい医用イメージング技術開発において重要な役割を担っている。 最近の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示している。 本稿では,出力分布を制約して品質スコアを予測するため,マルチスケール分布回帰手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:33:33Z)
• UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment [4.901218498977952]
  光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常認識フレームワークを提案する。 OCTA画像の品質を定量化するために,特徴埋め込みに基づく低品質表現モジュールを提案する。 我々は、訓練されたOCTA品質表現ネットワークによって抽出されたマルチスケール画像の特徴の次元削減とクラスタリングを行う。
  論文  参考訳（メタデータ） (2022-12-20T18:48:04Z)
• Explainable Image Quality Assessments in Teledermatological Photography [8.772468575761366]
  画像の質は、皮膚科の相談の成功に欠かせない要素である。 患者が送った画像の最大50%は、品質上の問題がある。 本稿では,画像品質評価装置であるImageQXを紹介する。
  論文  参考訳（メタデータ） (2022-09-10T15:48:28Z)
• Image Quality Assessment for Magnetic Resonance Imaging [4.05136808278614]
  画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。 我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。 7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
  論文  参考訳（メタデータ） (2022-03-15T11:52:29Z)
• 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)
• TrueImage: A Machine Learning Algorithm to Improve the Quality of Telehealth Photos [8.27648210293057]
  写真の品質が特に重要であるテレダーマトロジーに焦点をあてる。 遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。 これらの画像はしばしば、臨床写真撮影の経験がない患者のために、臨床診断を行うには不十分な品質であることが多い。 画像評価機械学習パイプラインTrueImageを提案し, 画質の悪い皮膚画像を検出し, 患者により良い写真撮影を指導する。
  論文  参考訳（メタデータ） (2020-10-01T17:47:57Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
  医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。 MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。 しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
  論文  参考訳（メタデータ） (2020-07-14T23:22:04Z)

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。