論文の概要: Recovering Diagnostic Value: Super-Resolution-Aided Echocardiographic Classification in Resource-Constrained Imaging

• arxiv url: http://arxiv.org/abs/2507.23027v1
• Date: Wed, 30 Jul 2025 18:45:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.608252
• Title: Recovering Diagnostic Value: Super-Resolution-Aided Echocardiographic Classification in Resource-Constrained Imaging
• Title（参考訳）: 診断値の回復:資源制約画像における超解像型心エコー図分類
• Authors: Krishan Agyakari Raja Babu, Om Prabhu, Annu, Mohanasankar Sivaprakasam,
• Abstract要約: 超高分解能(SR)技術は、MRI(MRI)とCT(CT)スキャンの強化を約束している。 本研究では,低品質2次元心エコー図の分類精度を向上させるために,深層学習に基づくSRの可能性を検討する。 本稿では,高画質画像の高精細化と性能指標の大幅な向上を図るため,SRGAN(Super-Resolution Generative Adversarial Network)とSRResNet(Super-Resolution Residual Network)の2つのSRモデルを適用した。
• 参考スコア（独自算出の注目度）: 0.3937354192623676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated cardiac interpretation in resource-constrained settings (RCS) is often hindered by poor-quality echocardiographic imaging, limiting the effectiveness of downstream diagnostic models. While super-resolution (SR) techniques have shown promise in enhancing magnetic resonance imaging (MRI) and computed tomography (CT) scans, their application to echocardiography-a widely accessible but noise-prone modality-remains underexplored. In this work, we investigate the potential of deep learning-based SR to improve classification accuracy on low-quality 2D echocardiograms. Using the publicly available CAMUS dataset, we stratify samples by image quality and evaluate two clinically relevant tasks of varying complexity: a relatively simple Two-Chamber vs. Four-Chamber (2CH vs. 4CH) view classification and a more complex End-Diastole vs. End-Systole (ED vs. ES) phase classification. We apply two widely used SR models-Super-Resolution Generative Adversarial Network (SRGAN) and Super-Resolution Residual Network (SRResNet), to enhance poor-quality images and observe significant gains in performance metric-particularly with SRResNet, which also offers computational efficiency. Our findings demonstrate that SR can effectively recover diagnostic value in degraded echo scans, making it a viable tool for AI-assisted care in RCS, achieving more with less.
• Abstract（参考訳）: リソース制約された設定(RCS)における心臓自動解釈は、低品質の心エコー画像によってしばしば妨げられ、下流診断モデルの有効性が制限される。 超高分解能(SR)技術はMRI(MRI)とCT(CT)スキャンの強化を約束する一方で、エコー心エコー法(広くアクセス可能だがノイズに富むモダリティ)への応用が過小評価されている。 本研究では,低品質2次元心エコー図の分類精度を向上させるために,深層学習に基づくSRの可能性を検討する。 CAMUSデータセットを用いて、画像品質によるサンプルの階層化を行い、比較的単純なTwo-Chamber vs. Four-Chamber (2CH vs. 4CH)ビュー分類と、より複雑なEnd-Diastole vs. End-Systole (ED vs. ES)フェーズ分類の2つの臨床的関連タスクを評価する。 本稿では,高画質画像の高精細化と,特にSRResNetによる性能評価において有意な利得を得るために,SRモデルとして,SRGAN(Super-Resolution Generative Adversarial Network)とSRResidual Network(Super-Resolution Residual Network)の2つを適用した。 以上の結果から、SRは劣化エコースキャンの診断値を効果的に回復し、RCSにおけるAI支援治療の有効なツールとなり、より少ない精度で達成できることが示唆された。

関連論文リスト

• VerteNet -- A Multi-Context Hybrid CNN Transformer for Accurate Vertebral Landmark Localization in Lateral Spine DXA Images [12.240318467857906]
  VerteNetはCNN-Transformerのハイブリッドモデルである。 我々は、様々なマシンから620DXA LSI上でVerteNetを訓練し、既存の手法と比較して優れた結果を得る。
  論文  参考訳（メタデータ） (2025-02-04T08:27:51Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• MIASSR: An Approach for Medical Image Arbitrary Scale Super-Resolution [3.0554209431226624]
  単一画像超解像は、1つの低解像度画像から高解像度の出力を得る。 深層学習に基づくSISRアプローチは、医用画像処理において広く議論されている。 医用画像任意スケール超解像(MIASSR)へのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-22T14:24:25Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)

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。