論文の概要: EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2011.00139v1
• Date: Fri, 30 Oct 2020 23:12:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:19:49.609990
• Title: EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising
• Title（参考訳）: EDCNN:低線量CT用複合損失を用いたエッジ強化型高密度接続ネットワーク
• Authors: Tengfei Liang, Yi Jin, Yidong Li, Tao Wang, Songhe Feng, Congyan Lang
• Abstract要約: We propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN)。 我々は、抽出したエッジ情報を融合し、エンドツーエンドの画像デノーミングを実現するために、密接な接続を持つモデルを構築した。 提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズの抑制に優れた性能を有する。
• 参考スコア（独自算出の注目度）: 27.86840312836051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the past few decades, to reduce the risk of X-ray in computed tomography (CT), low-dose CT image denoising has attracted extensive attention from researchers, which has become an important research issue in the field of medical images. In recent years, with the rapid development of deep learning technology, many algorithms have emerged to apply convolutional neural networks to this task, achieving promising results. However, there are still some problems such as low denoising efficiency, over-smoothed result, etc. In this paper, we propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN). In our network, we design an edge enhancement module using the proposed novel trainable Sobel convolution. Based on this module, we construct a model with dense connections to fuse the extracted edge information and realize end-to-end image denoising. Besides, when training the model, we introduce a compound loss that combines MSE loss and multi-scales perceptual loss to solve the over-smoothed problem and attain a marked improvement in image quality after denoising. Compared with the existing low-dose CT image denoising algorithms, our proposed model has a better performance in preserving details and suppressing noise.
• Abstract（参考訳）: 過去数十年間、CT(Computed tomography)のX線リスクを減らすために、低用量CT画像のデノナイズが研究者から注目され、医療画像の分野で重要な研究課題となっている。 近年、ディープラーニング技術の急速な発展に伴い、多くのアルゴリズムがこのタスクに畳み込みニューラルネットワークを適用するようになり、有望な結果が得られている。 しかし、低ノイズ化効率や過剰smoothed resultなど、いくつかの問題がまだ残っている。 本稿では,エッジ拡張に基づくDensely connected Convolutional Neural Network (EDCNN)を提案する。 本ネットワークでは,新たな学習可能なSobel畳み込みを用いたエッジ拡張モジュールを設計する。 このモジュールをベースとして,抽出したエッジ情報を融合した密結合モデルを構築し,終端画像の復調を実現する。 さらに, モデルトレーニング時に, MSE損失と多スケールの知覚損失を組み合わせた複合的損失を導入し, 過度にスムースな問題を解消し, 復調後の画像品質を著しく向上させる。 提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズ抑制に優れた性能を有する。

関連論文リスト

• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• 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)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• 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)
• Deep neural networks-based denoising models for CT imaging and their efficacy [0.3058685580689604]
  我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。 我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。 各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
  論文  参考訳（メタデータ） (2021-11-18T06:18:26Z)
• 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)
• Exploring ensembles and uncertainty minimization in denoising networks [0.522145960878624]
  画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。 実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-24T20:48:18Z)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• Noise Conscious Training of Non Local Neural Network powered by Self Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
  深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。 そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。 次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
  論文  参考訳（メタデータ） (2020-11-11T10:44:52Z)
• Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising [80.10533234415237]
  本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。 人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-10-23T14:14:00Z)

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。