論文の概要: Deep Interactive Denoiser (DID) for X-Ray Computed Tomography
- arxiv url: http://arxiv.org/abs/2011.14873v2
- Date: Sun, 6 Dec 2020 17:53:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:36:02.390708
- Title: Deep Interactive Denoiser (DID) for X-Ray Computed Tomography
- Title（参考訳）: X線CTのためのDeep Interactive Denoiser (DID)
- Authors: Ti Bai, Biling Wang, Dan Nguyen, Bao Wang, Bin Dong, Wenxiang Cong,
Mannudeep K. Kalra, and Steve Jiang
- Abstract要約: ディープラーニング(DL)ベースのデノイザは最先端のパフォーマンスを示し、主要な手法の1つになりつつある。
本稿では,既存のDLベースのデノイザ上でのテストフェーズにおいて,軽量な最適化プロセスを導入する。
提案手法では,ユーザがデノワザと対話することで,様々な画像候補を効率よくレビューし,必要なものを素早く拾い上げることができる。
- 参考スコア（独自算出の注目度）: 10.125440827747306
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Low dose computed tomography (LDCT) is desirable for both diagnostic imaging
and image guided interventions. Denoisers are openly used to improve the
quality of LDCT. Deep learning (DL)-based denoisers have shown state-of-the-art
performance and are becoming one of the mainstream methods. However, there
exists two challenges regarding the DL-based denoisers: 1) a trained model
typically does not generate different image candidates with different
noise-resolution tradeoffs which sometimes are needed for different clinical
tasks; 2) the model generalizability might be an issue when the noise level in
the testing images is different from that in the training dataset. To address
these two challenges, in this work, we introduce a lightweight optimization
process at the testing phase on top of any existing DL-based denoisers to
generate multiple image candidates with different noise-resolution tradeoffs
suitable for different clinical tasks in real-time. Consequently, our method
allows the users to interact with the denoiser to efficiently review various
image candidates and quickly pick up the desired one, and thereby was termed as
deep interactive denoiser (DID). Experimental results demonstrated that DID can
deliver multiple image candidates with different noise-resolution tradeoffs,
and shows great generalizability regarding various network architectures, as
well as training and testing datasets with various noise levels.
- Abstract（参考訳）: 低線量CT(LDCT)は診断画像と画像ガイド下手術の両方に有用である。
デノイザーはLDCTの品質向上のために公然と使用される。
ディープラーニング(DL)ベースのデノイザは最先端のパフォーマンスを示し、主要な手法の1つになりつつある。
しかし、dlベースのデノイザには2つの課題がある: 1) 訓練されたモデルは、通常、異なる臨床作業に必要となる異なるノイズ解決トレードオフを持つ異なる画像候補を生成しない;2) テスト画像のノイズレベルがトレーニングデータセットと異なる場合、モデルの一般化可能性は問題となる可能性がある。
この2つの課題に対処するため,本研究では,既存のDLベースデノイザ上での試験段階における軽量な最適化プロセスを導入し,異なるノイズ分解トレードオフを持つ複数の画像候補をリアルタイムに生成する。
そこで,提案手法では,デノイザーと対話することで,様々な画像候補を効率的にレビューし,所望の画像を迅速に拾い上げることができ,did(deep interactive denoiser)と呼ばれる。
実験により、DIDは異なるノイズ分解トレードオフを持つ複数の画像候補を提供でき、様々なネットワークアーキテクチャ、および様々なノイズレベルのデータセットのトレーニングとテストを行うことができることを示した。
関連論文リスト
- Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。
NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文 参考訳（メタデータ） (2024-11-16T16:24:28Z) - Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。
一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-24T16:23:46Z) - 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) - A Comparison of Image Denoising Methods [23.69991964391047]
我々は、異なるアプリケーションのための合成データセットと実世界のデータセットの様々なデノベーション手法を比較した。
単純な行列に基づくアルゴリズムは, テンソルのアルゴリズムと比較して, 同様の結果が得られる可能性が示唆された。
近年の進歩にもかかわらず、既存の技術の欠点と拡張の可能性について論じる。
論文 参考訳（メタデータ） (2023-04-18T13:41:42Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Noise2Contrast: Multi-Contrast Fusion Enables Self-Supervised
Tomographic Image Denoising [6.314790045423454]
ノイズ2コントラストは、複数の計測画像コントラストからの情報を組み合わせて、デノナイジングモデルを訓練する。
画像のコントラストの独立雑音実現を利用して、ドメイン転送演算子と重畳することで、自己監督的損失を導出する。
実測データを用いた実験は,ノイズ2コントラストが他のマルチコントラスト画像に一般化されることを示唆している。
論文 参考訳（メタデータ） (2022-12-09T13:03:24Z) - Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging [0.0]
Deformed2Selfは動的撮像のためのエンドツーエンドの自己教師型ディープラーニングフレームワークである。
シングルイメージとマルチイメージのデノゲーションを組み合わせて画像品質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
論文 参考訳（メタデータ） (2021-06-23T05:50:19Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳（メタデータ） (2021-05-25T21:37:37Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。