論文の概要: ClinReadNet: A clinical reading-inspired network for low-dose abdominal CT image quality assessment

• arxiv url: http://arxiv.org/abs/2606.10372v1
• Date: Tue, 09 Jun 2026 03:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.295198
• Title: ClinReadNet: A clinical reading-inspired network for low-dose abdominal CT image quality assessment
• Title（参考訳）: ClinReadNet:低用量腹部CT画像品質評価のための臨床読影ネットワーク
• Authors: Xianye Xiao, Yulong Zou, Yujie Luo, Taihui Yu, Cun-Jing Zheng, Yuan-ming Geng, Shuihua Wang, Yudong Zhang, Jin Hong,
• Abstract要約: 腹部CTでは,低用量非参照画像品質評価モデルの開発が,CT画像品質を評価するための医師の読書習慣を模倣している。 本稿では,放射線科医の臨床読解論理と整合した新しい深層学習フレームワーク,ClinReadNetを提案する。 LDCTIQAG2023データセットで行った実験により,提案手法が現在のSOTA(State-of-the-art)性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 20.78704478280648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In abdominal CT imaging, developing a low-dose, no-reference image quality assessment (No-reference IQA) model that mimics doctors' reading habits for evaluating CT image quality has significant practical value. This paper proposes a novel deep learning-based framework, ClinReadNet, whose design aligns with the clinical reading logic of radiologists: first, it introduces the Sobel ordinal quality network (SOQN) module, which can simultaneously focus on edge details highly relevant to image quality and the quality distribution pattern of the entire image, accurately matching the clinical image-reading judgment habit of "considering both local details and overall context"; second, the framework integrates the (shifted) window multi-scale temperature multi-head self-attention ((S)W-MTMSA) module, which further replicates the radiologists' image-reading process of shifting from overall scanning to local focusing, and accurately locks in regions of interest through multi-sharpness attention; third, it designs the hierarchical ranked probability score (HRPS) loss function, which combines the dual logics of coarse classification and fine classification, while paying attention to the distance information between grading labels, effectively improving the performance of image quality assessment. Experiments conducted on the LDCTIQAG2023 dataset show that the proposed method achieves the current state-of-the-art (SOTA) performance: the values of Pearson's linear correlation coefficient (PLCC), Spearman's rank-order correlation coefficient (SROCC), and Kendall's rank-order correlation coefficient (KROCC) reach 0.9507, 0.9554, and 0.8629 respectively, with the sum of their absolute values (Score) being 2.7690, outperforming existing methods.
• Abstract（参考訳）: 腹部CTでは,CT画像品質を評価するための医師の読書習慣を模倣した低線量非参照画像品質評価(No-reference IQA)モデルが有用である。 本稿では,画像品質と画像全体の品質分布パターンに高い関連性を持つエッジディテールを同時に重視するSobel Ordinal Quality Network (SOQN) モジュールを導入し,画像の「局所的詳細と全体的文脈を両立させる」という臨床画像読影判断の習慣を正確に整合させ,さらに,局所的焦点から局所的焦点へのシフトという,放射線学者のイメージ読影プロセスをさらに再現するClinReadNetを提案する。 LDCTIQAG2023データセットを用いて行った実験の結果,提案手法は,Pearsonの線形相関係数(PLCC),Spearmanの階数相関係数(SROCC),Kendallの階数相関係数(KROCC)がそれぞれ0.9507,0.9554,0.8629に達し,その絶対値(スコア)が2.7690を上回った。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• LMM-IQA: Image Quality Assessment for Low-Dose CT Imaging [0.0]
  低線量CTは、低線量で患者の安全性を著しく向上させる。 しかし、ノイズ、ぼかし、コントラスト損失の増加は診断品質を低下させる可能性がある。 劣化の数値スコアとテキスト記述の両方を生成するLLMに基づく品質評価システムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T16:56:11Z)
• Regional quality estimation for echocardiography using deep learning [0.6853438479513935]
  心エコー画像の画質の推定は、オペレーターを誘導し、臨床測定の精度を確保するのに有用である。 過去の研究はしばしば、心エコー図の視線精度と画質の区別に失敗する。 本研究では,画像品質を推定する3つの手法を開発し,比較した。
  論文  参考訳（メタデータ） (2024-08-01T14:20:47Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。