論文の概要: Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization

• arxiv url: http://arxiv.org/abs/2007.04768v1
• Date: Thu, 9 Jul 2020 13:17:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 04:06:01.838516
• Title: Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization
• Title（参考訳）: 結合型バイラテラルフィルタとインテリジェントパラメータ最適化による低線量CT診断
• Authors: Mayank Patwari, Ralf Gutjahr, Rainer Raupach, Andreas Maier
• Abstract要約: 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。
• 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: Denoising of clinical CT images is an active area for deep learning research. Current clinically approved methods use iterative reconstruction methods to reduce the noise in CT images. Iterative reconstruction techniques require multiple forward and backward projections, which are time-consuming and computationally expensive. Recently, deep learning methods have been successfully used to denoise CT images. However, conventional deep learning methods suffer from the 'black box' problem. They have low accountability, which is necessary for use in clinical imaging situations. In this paper, we use a Joint Bilateral Filter (JBF) to denoise our CT images. The guidance image of the JBF is estimated using a deep residual convolutional neural network (CNN). The range smoothing and spatial smoothing parameters of the JBF are tuned by a deep reinforcement learning task. Our actor first chooses a parameter, and subsequently chooses an action to tune the value of the parameter. A reward network is designed to direct the reinforcement learning task. Our denoising method demonstrates good denoising performance, while retaining structural information. Our method significantly outperforms state of the art deep neural networks. Moreover, our method has only two parameters, which makes it significantly more interpretable and reduces the 'black box' problem. We experimentally measure the impact of our intelligent parameter optimization and our reward network. Our studies show that our current setup yields the best results in terms of structural preservation.
• Abstract（参考訳）: 臨床CT画像の復調は深層学習研究の活発な領域である。 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。 反復的再構成技術は、時間と計算コストのかかる複数の前方および後方投影を必要とする。 近年,CT画像の難読化に深層学習が成功している。 しかし、従来のディープラーニング手法は「ブラックボックス」の問題に苦しんでいる。 それらは説明責任が低く、臨床画像の状況での使用には必要である。 本稿では,JBF (Joint Bilateral Filter) を用いてCT画像の識別を行う。 JBFの誘導画像は、ディープ残差畳み込みニューラルネットワーク(CNN)を用いて推定される。 JBFのレンジ平滑化および空間平滑化パラメータは、深い強化学習タスクによって調整される。 アクターは最初にパラメータを選択し、その後パラメータの値をチューニングするアクションを選択します。 報酬ネットワークは強化学習タスクを指示するために設計されている。 提案手法は,構造情報を保持しつつ,優れたデノージング性能を示す。 本手法は深層ニューラルネットワークの精度を著しく向上させる。 さらに,本手法は2つのパラメータしか持たず,より解釈しやすく,「ブラックボックス」問題を低減した。 我々は知的パラメータ最適化と報酬ネットワークの効果を実験的に測定した。 本研究は, 構造保存の観点から, 現状の設備が最適であることを示す。

関連論文リスト

• Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
  Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。 本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。 提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
  論文  参考訳（メタデータ） (2024-03-06T08:51:09Z)
• 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)
• TT-NF: Tensor Train Neural Fields [88.49847274083365]
  そこで本研究では,Train Neural Fields (TT-NF) と呼ばれる新しい低ランク表現を導入した。 ダウンストリームタスク品質指標に対する低ランク圧縮の影響を解析する。
  論文  参考訳（メタデータ） (2022-09-30T15:17:39Z)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Low Dose Helical CBCT denoising by using domain filtering with deep reinforcement learning [0.0]
  コーンビームCT(CBCT)は、現在知られているCTイメージングの方法である。 低線量CT画像は、標準線量CT画像と比較して、結果のノイズに根本的な問題がある。
  論文  参考訳（メタデータ） (2021-04-02T05:28:04Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Self-Supervised Training For Low Dose CT Reconstruction [0.0]
  本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。 ノイズが要素的に独立な射影領域に自己超越原理を適用する。 提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-25T22:02:14Z)
• Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks [6.167259271197635]
  ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。 脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。 診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-19T21:44:07Z)

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。