論文の概要: Deep-Learning Driven Noise Reduction for Reduced Flux Computed Tomography

• arxiv url: http://arxiv.org/abs/2101.07376v1
• Date: Mon, 18 Jan 2021 23:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 06:01:07.933997
• Title: Deep-Learning Driven Noise Reduction for Reduced Flux Computed Tomography
• Title（参考訳）: 還元フラックスCTのための深層学習型ノイズ低減
• Authors: Khalid L. Alsamadony, Ertugrul U. Yildirim, Guenther Glatz, Umair bin Waheed, Sherif M. Hanafy
• Abstract要約: 深層畳み込みニューラルネットワーク(dcnn)は、低品質、低用量、高用量、高用量の画像にマッピングするために使用できる。 トレーニング時間を増やすことなく、マイクロCTによるデータセットに基づく現在の結果を強調表示し、DCNN結果を改善するためのトランスファーラーニングを適用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have received considerable attention in clinical imaging, particularly with respect to the reduction of radiation risk. Lowering the radiation dose by reducing the photon flux inevitably results in the degradation of the scanned image quality. Thus, researchers have sought to exploit deep convolutional neural networks (DCNNs) to map low-quality, low-dose images to higher-dose, higher-quality images thereby minimizing the associated radiation hazard. Conversely, computed tomography (CT) measurements of geomaterials are not limited by the radiation dose. In contrast to the human body, however, geomaterials may be comprised of high-density constituents causing increased attenuation of the X-Rays. Consequently, higher dosage images are required to obtain an acceptable scan quality. The problem of prolonged acquisition times is particularly severe for micro-CT based scanning technologies. Depending on the sample size and exposure time settings, a single scan may require several hours to complete. This is of particular concern if phenomena with an exponential temperature dependency are to be elucidated. A process may happen too fast to be adequately captured by CT scanning. To address the aforementioned issues, we apply DCNNs to improve the quality of rock CT images and reduce exposure times by more than 60\%, simultaneously. We highlight current results based on micro-CT derived datasets and apply transfer learning to improve DCNN results without increasing training time. The approach is applicable to any computed tomography technology. Furthermore, we contrast the performance of the DCNN trained by minimizing different loss functions such as mean squared error and structural similarity index.
• Abstract（参考訳）: ディープニューラルネットワークは、特に放射線リスクの低減に関して、臨床画像にかなりの注目を集めている。 光子フラックスを低減して放射線線量を減らすと、スキャンされた画像の品質が低下する。 そこで研究者たちは、深層畳み込みニューラルネットワーク(dcnn)を利用して、低品質の低用量画像を高用量で高品質な画像にマッピングすることで、関連する放射線ハザードを最小限に抑えることを模索している。 逆に、地球物質のCT(Computerd tomography)測定は放射線線量によって制限されない。 しかしながら、人体とは対照的に、地球材料は高密度成分からなり、X線の減衰が増大する可能性がある。 したがって、スキャン品質を得るためには、より高い量画像が必要である。 マイクロCTベースの走査技術では, 長期取得の問題は特に深刻である。 サンプルのサイズや露出時間の設定によっては、1回のスキャンで完了するには数時間を要する。 これは、指数温度依存性の現象が解明される場合、特に懸念される。 プロセスは、CTスキャンによって適切にキャプチャされるには早すぎるかもしれない。 以上の課題に対処するため, 岩盤CT画像の品質向上と露光時間の60%以上短縮にDCNNを適用した。 我々は、マイクロCTから得られたデータセットに基づいて現在の結果を強調し、DCNNの結果を改善するために転送学習を適用した。 この手法は、あらゆる計算トモグラフィー技術に適用できる。 さらに、平均二乗誤差や構造的類似度指数などの異なる損失関数を最小化するDCNNの性能を比較検討する。

関連論文リスト

• Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data [9.160782425067712]
  低線量スキャンから高画質画像を再構成するためのCycle-DCN(Cycle-versa Adrial Denoising Convolutional Network)を提案する。 1,224名の患者から得られた生のPET脳データからなる大規模なデータセットを用いて実験を行った。 サイクルDCNは平均ピーク信号対雑音比(PSNR)、SSIM、正規化ルート平均角誤差(NRMSE)を3つの線量レベルで改善する。
  論文  参考訳（メタデータ） (2024-10-31T04:34:28Z)
• Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
  ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。 本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-19T00:07:48Z)
• 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)
• 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)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• Probabilistic self-learning framework for Low-dose CT Denoising [1.8734449181723827]
  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
  論文  参考訳（メタデータ） (2020-05-30T17:47:10Z)

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。