Fine-tuned Generative Adversarial Network-based Model for Medical Images Super-Resolution

要約

医用画像解析では、低解像度の画像は医用画像の解釈のパフォーマンスに悪影響を及ぼし、誤診を引き起こす可能性があります。
単一画像超解像 (SISR) メソッドは、医療画像の解像度と品質を向上させることができます。
現在、Generative Adversarial Network (GAN) に基づく超解像手法が広く使用されており、非常に優れたパフォーマンスを示しています。
この作業では、Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) モデルを使用して、医用画像の解像度と品質を向上させます。
自然データセットとは異なり、医療データセットの空間解像度はそれほど高くありません。
転移学習は、外部データセット (多くの場合、自然データセット) でトレーニングされたモデルを使用し、それらを微調整して医用画像を強化する効果的な方法の 1 つです。
提案されたアプローチでは、Real-ESRGAN モデルの事前トレーニング済みのジェネレーターおよびディスクリミネーター ネットワークが、医用画像データセットを使用して微調整されます。
この論文では、網膜画像と胸部 X 線画像に取り組みました。
網膜画像のSTAREデータセットと結核胸部X線（深セン）データセットを使用しました。
提案されたモデルは、より正確で自然なテクスチャを生成し、出力画像は元の Real-ESRGAN モデルと比較してより詳細で解像度が高くなります。

要約(オリジナル)

In medical image analysis, low-resolution images negatively affect the performance of medical image interpretation and may cause misdiagnosis. Single image super-resolution (SISR) methods can improve the resolution and quality of medical images. Currently, super-resolution methods based on generative adversarial networks (GAN) are widely used and have shown very good performance. In this work, we use the Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) model to enhance the resolution and quality of medical images. Unlike natural datasets, medical datasets do not have very high spatial resolution. Transfer learning is one of the effective methods which uses models trained with external datasets (often natural datasets), and fine-tunes them to enhance medical images. In our proposed approach, the pre-trained generator and discriminator networks of the Real-ESRGAN model are fine-tuned using medical image datasets. In this paper, we worked on retinal images and chest X-ray images. We used the STARE dataset of retinal images and Tuberculosis Chest X-rays (Shenzhen) dataset. The proposed model produces more accurate and natural textures, and the output images have better detail and resolution compared to the original Real-ESRGAN model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google