- Улучшение низкопольного магнитно-резонансного изображения с помощью стохастической передачи качества изображения (arXiv)
Автор: Хунсян Линь, Маттео Фигини, Феличе Д'Арко, Годвин Огболе, Рютаро Танно, Стефано Б. Блумберг, Лиза Ронан, Биобель Дж. Браун, Дэвид В. Кармайкл, Икеолува Лагунью, Джудит Хелен Кросс, Дельмиро Фернандес-Рейес, Дэниел С. Александр
Резюме: Сканеры магнитно-резонансной томографии (МРТ) с низким полем (‹1T) по-прежнему широко используются в странах с низким и средним уровнем дохода (LMIC) и обычно используются для некоторых приложений в странах с более высоким уровнем дохода, например. для маленьких детей с ожирением, клаустрофобией, имплантами или татуировками. Однако МР-изображения с низким полем обычно имеют более низкое разрешение и меньшую контрастность, чем изображения с высоким полем (1,5 Тл, 3 Тл и выше). Здесь мы представляем передачу качества изображения (IQT) для улучшения структурной МРТ с низким полем путем оценки изображения с низким полем изображения, которое мы получили бы от того же субъекта в сильном поле. В нашем подходе используется (i) стохастический симулятор изображений с низким полем в качестве прямой модели для регистрации неопределенности и изменения контраста изображений с низким полем, соответствующих конкретному изображению с высоким полем, и (ii) анизотропный вариант U-Net, в частности разработан для обратной задачи IQT. Мы оцениваем предложенный алгоритм как в моделировании, так и с использованием мультиконтрастных (T1-взвешенных, T2-взвешенных и восстановления с ослабленной жидкостью инверсии (FLAIR)) клинических данных МРТ с низким полем из больницы с низким и средним уровнем дохода. Мы показываем эффективность IQT в улучшении контраста и разрешения МРТ-изображений с низким полем. Мы демонстрируем, что изображения с усилением IQT обладают потенциалом для улучшения визуализации анатомических структур и патологических поражений, имеющих клиническое значение с точки зрения рентгенологов. Доказано, что IQT может повысить диагностическую ценность низкопольной МРТ, особенно в условиях ограниченных ресурсов.
2. Руководство по изучению семантических знаний для улучшения изображения при слабом освещении (arXiv)
Автор: Юхуэй Ву, Чэнь Пань, Гоцин Ван, Ян Ян, Цживэй Вэй, Чонги Ли, Хэн Тао Шэнь.
Аннотация: Улучшение изображения при слабом освещении (LLIE) исследует, как улучшить освещение и получить изображения с нормальным освещением. Большинство существующих методов улучшают изображения при слабом освещении глобальным и унифицированным образом, не принимая во внимание семантическую информацию разных областей. Без семантических априорных значений сеть может легко отклониться от исходного цвета региона. Чтобы решить эту проблему, мы предлагаем новую семантико-ориентированную структуру знаний (SKF), которая может помочь модели улучшения при слабом освещении в изучении богатых и разнообразных априорных значений, инкапсулированных в модели семантической сегментации. Мы концентрируемся на включении семантических знаний из трех ключевых аспектов: модуль встраивания с учетом семантики, который разумно интегрирует семантические априорные значения в пространство представления признаков, потеря цветовой гистограммы, управляемая семантикой, которая сохраняет цветовую согласованность различных экземпляров, и управляемая семантикой враждебная потеря, которая создает более естественные текстуры с помощью семантических априорных значений. Наш SKF привлекателен тем, что выступает в качестве общей основы для задачи LLIE. Обширные эксперименты показывают, что модели, оснащенные SKF, значительно превосходят базовые показатели на нескольких наборах данных, и наш SKF хорошо обобщает различные модели и сцены. Код доступен на Semantic-Aware-Low-Light-Image-Enhancement.
