Fugu-MT 論文翻訳(概要): JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering

論文の概要: JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering

arxiv url: http://arxiv.org/abs/2007.04754v1
Date: Thu, 9 Jul 2020 12:59:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 04:06:17.636224
Title: JBFnet -- Low Dose CT Denoising by Trainable Joint Bilateral Filtering
Title（参考訳）: JBFnet -- トレーニング可能な双方向フィルタによる低線量CT
Authors: Mayank Patwari, Ralf Gutjahr, Rainer Raupach, Andreas Maier
Abstract要約: 我々は低用量CT用ニューラルネットワークであるJBFnetを紹介する。 JBFnetのアーキテクチャは反復的な二元フィルタリングを実装している。 JBFnetを10人の患者の体スキャンデータでトレーニングし、AAPM低用量CT Grand Challengeデータセットでテストする。
参考スコア（独自算出の注目度）: 7.909848251752742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks have shown great success in low dose CT denoising. However, most of these deep neural networks have several hundred thousand trainable parameters. This, combined with the inherent non-linearity of the neural network, makes the deep neural network diffcult to understand with low accountability. In this study we introduce JBFnet, a neural network for low dose CT denoising. The architecture of JBFnet implements iterative bilateral filtering. The filter functions of the Joint Bilateral Filter (JBF) are learned via shallow convolutional networks. The guidance image is estimated by a deep neural network. JBFnet is split into four filtering blocks, each of which performs Joint Bilateral Filtering. Each JBF block consists of 112 trainable parameters, making the noise removal process comprehendable. The Noise Map (NM) is added after filtering to preserve high level features. We train JBFnet with the data from the body scans of 10 patients, and test it on the AAPM low dose CT Grand Challenge dataset. We compare JBFnet with state-of-the-art deep learning networks. JBFnet outperforms CPCE3D, GAN and deep GFnet on the test dataset in terms of noise removal while preserving structures. We conduct several ablation studies to test the performance of our network architecture and training method. Our current setup achieves the best performance, while still maintaining behavioural accountability.
Abstract（参考訳）: 深層ニューラルネットワークは低線量ctで大きな成功を収めている。しかし、これらのディープニューラルネットワークのほとんどは、数十万のトレーニング可能なパラメータを持つ。これにより、ニューラルネットワーク固有の非線形性と組み合わせることで、深いニューラルネットワークは説明責任を低く理解しやすくなる。本研究では低線量CT用ニューラルネットワークであるJBFnetを紹介する。 JBFnetのアーキテクチャは繰り返し二元フィルタリングを実装している。ジョイントバイラテラルフィルタ(jbf)のフィルタ機能は、浅い畳み込みネットワークを通じて学習される。誘導画像はディープニューラルネットワークによって推定される。 JBFnetは4つのフィルタブロックに分割され、それぞれがジョイントバイラテラルフィルタを実行する。各JBFブロックは112のトレーニング可能なパラメータで構成されており、ノイズ除去プロセスは理解可能である。ノイズマップ(NM)は、高次特徴を保存するためにフィルタ後に追加される。我々は10名の患者の身体スキャンデータを用いてjbfnetを訓練し、aapm low dose ct grand challengeデータセットでテストした。 JBFnetと最先端のディープラーニングネットワークを比較した。 JBFnetは、CPCE3D、GAN、ディープGFnetを、構造を保ちながらノイズ除去の観点から上回る。我々は,ネットワークアーキテクチャとトレーニング手法の性能をテストするため,いくつかのアブレーション研究を行っている。現在のセットアップでは、動作説明責任を維持しながら、最高のパフォーマンスを実現しています。

関連論文リスト

NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
Unsupervised Denoising of Optical Coherence Tomography Images with Dual_Merged CycleWGAN [3.3909577600092122]
そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
論文参考訳（メタデータ） (2022-05-02T07:38:19Z)
Limited Parameter Denoising for Low-dose X-ray Computed Tomography Using Deep Reinforcement Learning [7.909848251752742]
我々は,解釈可能な振る舞いを持つ新しいCTデノベーションフレームワークを導入し,限られたデータで有用な結果を提供する。マヨクリニック TCIA データセットと AAPM Low Dose CT Grand Challenge の腹部CTを行った。その結果,PSNRは28.53から28.93に,SSIMは0.98952から0.9204に向上した。
論文参考訳（メタデータ） (2022-03-28T14:30:43Z)
Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2021-12-02T12:04:59Z)
Encoding the latent posterior of Bayesian Neural Networks for uncertainty quantification [10.727102755903616]
我々は,複雑なコンピュータビジョンアーキテクチャに適した効率的な深部BNNを目指している。可変オートエンコーダ(VAE)を利用して、各ネットワーク層におけるパラメータの相互作用と潜在分布を学習する。我々のアプローチであるLatent-Posterior BNN(LP-BNN)は、最近のBatchEnsemble法と互換性があり、高い効率(トレーニングとテストの両方における計算とメモリ)のアンサンブルをもたらす。
論文参考訳（メタデータ） (2020-12-04T19:50:09Z)
SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。冗長フィルタは、異なる特徴の逆数過程において発見できる。提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
論文参考訳（メタデータ） (2020-10-21T03:02:01Z)
Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文参考訳（メタデータ） (2020-10-19T13:05:08Z)
Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization [7.909848251752742]
現在の臨床試験では,CT画像のノイズ低減に反復的再構成法が用いられている。深層学習法はCT画像のノイズ化に成功している。本稿では,JBF (Joint Bilateral Filter) を用いてCT画像の識別を行う。
論文参考訳（メタデータ） (2020-07-09T13:17:36Z)
ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文参考訳（メタデータ） (2020-06-28T23:09:27Z)
The Neural Tangent Link Between CNN Denoisers and Non-Local Filters [4.254099382808598]
畳み込みニューラルネットワーク(CNN)は現在、計算画像問題を解決するための確立されたツールである。ニューラルネットワークタンジェント(NTK)とよく知られた非局所フィルタリング技術によるネットワーク間の公式なリンクを導入する。本研究は,広範囲な画像復号化実験により評価した。
論文参考訳（メタデータ） (2020-06-03T16:50:54Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。