Fugu-MT 論文翻訳(概要): Probabilistic self-learning framework for Low-dose CT Denoising

論文の概要: Probabilistic self-learning framework for Low-dose CT Denoising

arxiv url: http://arxiv.org/abs/2006.00327v2
Date: Fri, 22 Jan 2021 04:41:30 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 18:19:07.405228
Title: Probabilistic self-learning framework for Low-dose CT Denoising
Title（参考訳）: 低線量ctデノージングのための確率的自己学習フレームワーク
Authors: Ti Bai, Dan Nguyen, Biling Wang and Steve Jiang
Abstract要約: 被曝の減少は、被曝量を減少させ、したがって放射線関連のリスクを減少させる。低用量CT(LDCT)を診断するためにニューラルネットワークをトレーニングするために、改良されたディープラーニングを使用することができる
参考スコア（独自算出の注目度）: 1.8734449181723827
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the indispensable role of X-ray computed tomography (CT) in diagnostic medicine field, the associated ionizing radiation is still a major concern considering that it may cause genetic and cancerous diseases. Decreasing the exposure can reduce the dose and hence the radiation-related risk, but will also induce higher quantum noise. Supervised deep learning can be used to train a neural network to denoise the low-dose CT (LDCT). However, its success requires massive pixel-wise paired LDCT and normal-dose CT (NDCT) images, which are rarely available in real practice. To alleviate this problem, in this paper, a shift-invariant property based neural network was devised to learn the inherent pixel correlations and also the noise distribution by only using the LDCT images, shaping into our probabilistic self-learning framework. Experimental results demonstrated that the proposed method outperformed the competitors, producing an enhanced LDCT image that has similar image style as the routine NDCT which is highly-preferable in clinic practice.
Abstract（参考訳）: 診断医学分野におけるX線CT(CT)の役割は不可欠であるものの、関連する電離放射線は遺伝性・癌性疾患の原因となる可能性を考える上でも大きな関心事である。被曝の減少は線量を減らすことができ、そのため放射線関連のリスクも減少するが、高い量子ノイズを引き起こす。改良されたディープラーニングは、低用量CT(LDCT)をノイズ化するニューラルネットワークのトレーニングに使用することができる。しかし、その成功には大量のピクセルワイドLDCTと正常線量CT(NDCT)画像が必要である。この問題を軽減するため,本研究では,シフト不変特性に基づくニューラルネットワークを用いて,LDCT画像のみを用いて固有の画素相関と雑音分布を学習し,確率的自己学習フレームワークに形成する手法を考案した。実験の結果,提案手法は競合相手よりも優れており,臨床現場で好適なNDCTに類似した画像スタイルのLDCT画像が得られた。

関連論文リスト

WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文参考訳（メタデータ） (2024-03-18T11:20:11Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文参考訳（メタデータ） (2023-11-10T02:47:15Z)
Low-Dose CT Image Enhancement Using Deep Learning [0.0]
電離放射線の少ない線量、特にCT(Computerd tomography)イメージングシステムでの使用が好ましい。 CT画像における放射線線量削減の一般的な方法は、クォータードーズ法として知られている。近年のディープラーニングアプローチは、低用量アーティファクトのイメージ強化に興味深い可能性をもたらしている。
論文参考訳（メタデータ） (2023-10-31T08:34:33Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Self Supervised Low Dose Computed Tomography Image Denoising Using Invertible Network Exploiting Inter Slice Congruence [20.965610734723636]
LDCT画像とNDCT画像のペア化の必要性を軽減するために, 自己監督型低用量CTデノベーション法を提案する。我々は、ノイズスライスと隣接する2つのノイズスライスの平均の2乗距離を最小化するために、可逆ニューラルネットワークを訓練した。
論文参考訳（メタデータ） (2022-11-03T07:16:18Z)
Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
論文参考訳（メタデータ） (2022-11-01T20:58:50Z)
Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文参考訳（メタデータ） (2021-12-20T03:38:37Z)
Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文参考訳（メタデータ） (2021-12-01T06:46:38Z)
ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文参考訳（メタデータ） (2021-02-25T14:52:23Z)
No-reference denoising of low-dose CT projections [2.7716102039510564]
低線量CT (LDCT) は放射線学において明らかな傾向を呈し, 患者への過剰なX線照射の回避が望まれる。放射線線量減少は患者のリスクを減少させるが、ノイズレベルを上昇させ、画像の品質と診断値に影響を及ぼす。 1つの緩和オプションは、ディープラーニングアルゴリズムを用いてデノナイジングモデルを訓練するために、低線量および高線量CTプロジェクションのペアを検討することである。本稿では,従来の自己監督法と異なり,新しい自己監督法を提案する。
論文参考訳（メタデータ） (2021-02-03T13:51:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。