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

要約

医用画像解析の分野では、診断精度を向上させるために高解像度 (HR) 画像が大幅に必要とされています。
しかし、HR 医療画像を取得することは、高度な機器と多大な時間を必要とするため、困難な作業です。
深層学習ベースの超解像度手法は、低解像度 (LR) 医療画像の解像度と知覚品質の向上に役立ちます。
最近、敵対的生成ネットワーク (GAN) ベースの手法は、深層学習ベースの超解像手法の中でも顕著なパフォーマンスを示しています。
Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) は、現実世界の LR 画像から HR 画像を復元するための実用的なモデルです。
私たちが提案するアプローチでは、転移学習技術を使用し、医療画像データセットを使用して事前トレーニングされた Real-ESRGAN モデルを微調整します。
この手法は、モデルのパフォーマンスの向上に役立ちます。
この論文の焦点は、胸部 X 線画像と網膜画像の解像度と知覚品質を向上させることにあります。
モデルの微調整には、結核胸部 X 線 (深セン) データセットと網膜画像の STARE データセットを使用します。
提案されたモデルは、Real-ESRGAN モデルと比較して優れた知覚品質を実現し、細部を効果的に保存し、より現実的なテクスチャを持つ画像を生成します。

要約(オリジナル)

In the field of medical image analysis, there is a substantial need for high-resolution (HR) images to improve diagnostic accuracy. However, It is a challenging task to obtain HR medical images, as it requires advanced instruments and significant time. Deep learning-based super-resolution methods can help to improve the resolution and perceptual quality of low-resolution (LR) medical images. Recently, Generative Adversarial Network (GAN) based methods have shown remarkable performance among deep learning-based super-resolution methods. Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovering HR images from real-world LR images. In our proposed approach, we use transfer learning technique and fine-tune the pre-trained Real-ESRGAN model using medical image datasets. This technique helps in improving the performance of the model. The focus of this paper is on enhancing the resolution and perceptual quality of chest X-ray and retinal images. We use the Tuberculosis chest X-ray (Shenzhen) dataset and the STARE dataset of retinal images for fine-tuning the model. The proposed model achieves superior perceptual quality compared to the Real-ESRGAN model, effectively preserving fine details and generating images with more realistic textures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google