Cardiac Adipose Tissue Segmentation via Image-Level Annotations 心臓の異常の根底にある構造基質を自動的に特定することで、介入手順のリアルタイムガイダンスを提供できる可能性があります。心臓組織基質の知識があれば、心房細動や心室頻脈などの複雑な不整脈の治療は、治療の対象となる不整脈基質(すなわち脂肪)を検出し、回避すべき重要な構造を特定することによってさらに最適化できます。光コヒーレンストモグラフィー(OCT)は、このニーズに対応するのに役立つリアルタイムの画像診断法です。心臓画像分析のための既存のアプローチは、主に完全に監視された学習技術に依存しており、ピクセル単位のラベリングの労働集約的な注釈プロセスの作業負荷の欠点に悩まされています。ピクセル単位のラベリングの必要性を減らすために、人間の心臓基質のOCT画像の画像レベルの注釈
Indoor Depth Completion with Boundary Consistency and Self-Attention 深度推定機能は、3D認識に役立ちます。コモディティグレードの深度カメラは、深度とカラー画像をリアルタイムでキャプチャできます。ただし、光沢のある、透明な、または離れた表面は、センサーで適切にスキャンできません。結果として、検出深度からの強化と復元は重要なタスクです。深度の完了は、センサーが検出できない穴を埋めることを目的としています。これは、機械が学習するための複雑なタスクです。従来の手動で調整された方法は限界に達しましたが、ニューラルネットワークベースの方法は周囲の深度値から出力をコピーして補間する傾向があります。これにより境界がぼやけ、深度マップの構造が失われます。したがって、私たちの主な作業は、エッジの明瞭さを維持しながら、完了深度マップを改善する
SCAMPS: Synthetics for Camera Measurement of Physiological Signals 生理学的(例えば、心臓および肺の)バイタルサインの非侵襲的で低コストかつスケーラブルな測定のためのカメラおよび計算アルゴリズムの使用は非常に魅力的です。ただし、さまざまな環境、体の動き、照明条件、および生理学的状態を表す多様なデータは、手間がかかり、時間と費用がかかります。合成データは、機械学習のいくつかの分野で貴重なツールであることが証明されていますが、生理学的状態のカメラ測定には広く利用できません。合成データは、「完璧な」ラベル(たとえば、ノイズがなく、正確な同期がある)、他の方法では取得できない可能性のあるラベル(たとえば、正確なピクセルレベルのセグメンテーションマップ)を提供し、データセットの変動と多様性を高度に制御します。 。 SCAMPSは、心臓
定量的超音波(QUS)は、組織の特性に関する重要な情報を提供します。 QUSパラメトリック画像は、エンベロープデータを小さな重なり合うパッチに分割し、NakagamiやHomodyned K-distributions(HK-distribution)のパラメータなどのさまざまなスペックル統計を計算することで形成できます。パッチ内で利用できる独立したサンプルはごくわずかであるため、計算されたQUSパラメトリック画像は誤っている可能性があります。もう1つの課題は、パッチ内のエンベロープサンプルが同じ分布からのものであると想定されることです。この想定は、組織が通常均質ではないことを考えると、しばしば違反されます。本論文では、パッチを適用せずにQUSパラメトリック画像を推定するための畳み込みニューラルネットワーク(CNN)に基づく方法を提案します。 HK分布からサンプリングされた、ランダムな形状
Towards Self-supervised and Weight-preserving Neural Architecture Search ニューラルアーキテクチャ検索(NAS)アルゴリズムは、人間の専門家による多大な労力を節約します。最近の進歩により、計算のオーバーヘッドがさらに手頃なレベルにまで削減されています。ただし、面倒な手順と教師あり学習パラダイムのために、NAS技術を実際のアプリケーションに展開するのは依然として面倒です。この作業では、自己監視を可能にし、検索段階で検出された付随する重みを保持することにより、現在のNASフレームワークの拡張として自己監視および重み保存ニューラルアーキテクチャ検索(SSWP-NAS)を提案します。そのため、NASのワークフローを1段階のプロキシフリーの手順に簡素化します。実験によると、提案されたフレームワークによって検索されたアーキテクチャ
DRHDR: A Dual branch Residual Network for Multi-Bracket High Dynamic Range Imaging マルチブラケットHDRイメージング用のデュアルブランチ残余畳み込みニューラルネットワークであるDRHDRを紹介します。動的なシーンから複数のブラケットを融合するという課題に対処するために、2つの異なる解像度で動作する効率的なデュアルブランチネットワークを提案します。フル解像度ブランチは、変形可能な畳み込みブロックを使用して、特徴を整列させ、高周波の詳細を保持します。 Spatial Attention Blockを備えた低解像度のブランチは、非参照ブラケットから必要な領域に参加し、ゴースティングアーティファクトで発生する可能性のある変位したフィーチャを抑制することを目的としています。デュアルブランチアプローチを使用することによ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く