論文の概要: Deep High-Resolution Network for Low Dose X-ray CT Denoising
- arxiv url: http://arxiv.org/abs/2102.00599v1
- Date: Mon, 1 Feb 2021 02:54:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:50:21.928843
- Title: Deep High-Resolution Network for Low Dose X-ray CT Denoising
- Title(参考訳): 低線量x線ct用深部高分解能ネットワーク
- Authors: Ti Bai, Dan Nguyen, Biling Wang and Steve Jiang
- Abstract要約: 深層学習技術は低線量CT法(LDCT)に用いられている。
DLデノ化画像の解像度が損なわれ、臨床価値は低下している。
高分解能ネットワーク(HRNet)を導入して,より効率的なデノイザを開発した。
- 参考スコア(独自算出の注目度): 1.1852406625172216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low Dose Computed Tomography (LDCT) is clinically desirable due to the
reduced radiation to patients. However, the quality of LDCT images is often
sub-optimal because of the inevitable strong quantum noise. Inspired by their
unprecedent success in computer vision, deep learning (DL)-based techniques
have been used for LDCT denoising. Despite the promising noise removal ability
of DL models, people have observed that the resolution of the DL-denoised
images is compromised, decreasing their clinical value. Aiming at relieving
this problem, in this work, we developed a more effective denoiser by
introducing a high-resolution network (HRNet). Since HRNet consists of multiple
branches of subnetworks to extract multiscale features which are later fused
together, the quality of the generated features can be substantially enhanced,
leading to improved denoising performance. Experimental results demonstrated
that the introduced HRNet-based denoiser outperforms the benchmarked UNet-based
denoiser in terms of superior image resolution preservation ability while
comparable, if not better, noise suppression ability. Quantitative metrics in
terms of root-mean-squared-errors (RMSE)/structure similarity index (SSIM)
showed that the HRNet-based denoiser can improve the values from 113.80/0.550
(LDCT) to 55.24/0.745 (HRNet), in comparison to 59.87/0.712 for the UNet-based
denoiser.
- Abstract(参考訳): 低線量CT (LDCT) は, 患者に対する放射線量が少ないため, 臨床的に望ましい。
しかし、LDCT画像の品質は、必然的に強い量子ノイズのため、しばしば準最適である。
コンピュータビジョンにおける未熟な成功にインスパイアされたディープラーニング(DL)ベースの技術は、LDCTのノイズ除去に使用されています。
DLモデルの有望なノイズ除去能力にもかかわらず、DLデノ化画像の分解能は損なわれ、臨床価値は低下している。
本研究では,この問題の軽減を目的とした高分解能ネットワーク(HRNet)の導入により,より効率的なデノイザーを開発した。
hrnetはサブネットワークの複数のブランチで構成され、後に融合されるマルチスケールな特徴を抽出するため、生成された特徴の品質が大幅に向上し、ノイズ除去性能が向上する。
実験結果から, HRNetをベースとしたデノイザは, ノイズ抑制能力に比較して, 優れた画像分解能保持能の点で, ベンチマークしたUNetベースのデノイザよりも優れた性能を示した。
root-mean-squared-errors (RMSE)/structure similarity index (SSIM)により、HRNetベースの denoiser は 113.80/0.550 (LDCT) から 55.24/0.745 (HRNet) に値を改善することができ、UNetベースの denoiser の 59.87/0.712 と比較できる。
関連論文リスト
- Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳(メタデータ) (2023-07-12T00:01:00Z) - Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$
Speedup [8.768546646716771]
本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。
DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
論文 参考訳(メタデータ) (2022-09-29T23:35:41Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳(メタデータ) (2022-06-08T06:19:30Z) - Neglectable effect of brain MRI data prepreprocessing for tumor
segmentation [55.51261784032216]
我々は,TCIA-GBMオープンソースデータセットを用いたマルチモーダルMRI脳がん画像セグメント化に関する総合的研究を報告する。
その結果、最も一般的な標準化手順は、ニューラルネットワークの性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T12:46:36Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based
Discriminators for Low-Dose CT Denoising [22.351540738281265]
LDCT画像の画質向上のために, ディープラーニング技術が導入されている。
本稿では, DA-GAN と呼ばれる新しい手法を提案する。この手法は, GANs フレームワークにおける U-Net ベースの識別器を用いて, 正規化画像と正規化画像のグローバル・ローカル差分を学習する。
論文 参考訳(メタデータ) (2021-08-24T14:37:46Z) - MANAS: Multi-Scale and Multi-Level Neural Architecture Search for
Low-Dose CT Denoising [15.164252252022505]
LDCTデノイジング用マルチスケール・マルチレベルNAS「MANAS」を提案します。
一方,提案されたmanasは,異なるスケールセルから抽出された特徴を融合し,マルチスケール画像構造の詳細をキャプチャする。
一方,提案手法では,ハイブリッドセルとネットワークレベルの構造を探索し,性能を向上させることができる。
論文 参考訳(メタデータ) (2021-03-24T05:41:01Z) - Perception Consistency Ultrasound Image Super-resolution via
Self-supervised CycleGAN [63.49373689654419]
自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。
まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。
次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
論文 参考訳(メタデータ) (2020-12-28T08:24:04Z) - 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) - EDCNN: Edge enhancement-based Densely Connected Network with Compound
Loss for Low-Dose CT Denoising [27.86840312836051]
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。
論文 参考訳(メタデータ) (2020-10-30T23:12:09Z)
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。