文献

J-GLOBAL ID：202102240851959116   整理番号：21A0667642

深層ニューラル画像超解像モデルによる医療診断スキャンの自動品質強化【JST・京大機械翻訳】

Automatic Quality Enhancement of Medical Diagnostic Scans with Deep Neural Image Super-Resolution Models

著者 (3件)： Karthik K (National Institute of Technology Karnataka,Healthcare Analytics and Language Engineering (HALE) Lab,Department of Information Technology,Surathkal,India) ,  Sowmya Kamath S (National Institute of Technology Karnataka,Healthcare Analytics and Language Engineering (HALE) Lab,Department of Information Technology,Surathkal,India) ,  Kamath Surendra U. (Mangaluru and Manipal Academy of Higher Education,Kasturba Medical College & Hospital,Department of Orthopaedics,Manipal,India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICIIS  ページ： 162-167  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 現代医療では,診断イメージングは,病気を診断し,品質健康管理を送るための必須成分である。医用走査技術における多様性を考えると,異なる様式にわたる再帰問題は,走査品質が画像装置におけるハードウェアとソフトウェア故障によって導入されたアーチファクトによってしばしば影響を受けることである。3D画像技術における重要な課題は,低品質/低解像度スキャン画像または患者運動による不要なアーチファクトの追加を含む。研究者は,これらの故障を整流するために,勾配降下のような機械学習アルゴリズムからより複雑な深いCNNモデルまでの範囲の解決策を提出している。本論文では,さもなければ見逃される異常のより速く容易な検出を可能にするために,超解像度を通して,診断画像の品質を改善するための深層学習モデルをベンチマークすることを目的とした。超解像度CNNと深いCNNアーキテクチャを,それらの品質を強化するために,アップサンプリング医療スキャンのために採用した。CNNモデルは,患者運動の結果である運動アーチファクト特性を学習し,超解像出力におけるその影響を否定するために訓練された。標準データセットと計量に関する6つの超解像度モデルの比較結果を示した。実験評価の間,ResNet SRCNNモデルは,他の最先端のモデルよりも4.87から8.68%の改善で,大きなマージンによる比較に用いる他のすべてのモデルより優れていることが観察された。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 画像処理 ,  ハードウェア ,  健康管理 ,  *超解像 ,  ソフトウェア障害 ,  深層 ,  ベンチマーク ,  計算機アーキテクチャ ,  アーチファクト ,  学習アルゴリズム
準シソーラス用語： 三次元画像 ,  アップサンプリング ,  モーションアーチファクト ,  実験評価 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 深層 ,  超解像 ,  モデル ,  医療診断 ,  スキャン ,  強化