論文の概要: Noise Entangled GAN For Low-Dose CT Simulation

• arxiv url: http://arxiv.org/abs/2102.09615v1
• Date: Thu, 18 Feb 2021 21:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 18:00:02.209142
• Title: Noise Entangled GAN For Low-Dose CT Simulation
• Title（参考訳）: 低線量CTシミュレーションのためのノイズエンタングルGAN
• Authors: Chuang Niu, Ge Wang, Pingkun Yan, Juergen Hahn, Youfang Lai, Xun Jia, Arjun Krishna, Klaus Mueller, Andreu Badal, KyleJ. Myers, Rongping Zeng
• Abstract要約: 高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)。 高線量CT画像からクリーンCT画像とノイズ画像を生成するための2つの手法を提案する。 NE-GANは低線量CT画像の異なるレベルをシミュレートするために提案される。
• 参考スコア（独自算出の注目度）: 32.3869284562502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a Noise Entangled GAN (NE-GAN) for simulating low-dose computed tomography (CT) images from a higher dose CT image. First, we present two schemes to generate a clean CT image and a noise image from the high-dose CT image. Then, given these generated images, an NE-GAN is proposed to simulate different levels of low-dose CT images, where the level of generated noise can be continuously controlled by a noise factor. NE-GAN consists of a generator and a set of discriminators, and the number of discriminators is determined by the number of noise levels during training. Compared with the traditional methods based on the projection data that are usually unavailable in real applications, NE-GAN can directly learn from the real and/or simulated CT images and may create low-dose CT images quickly without the need of raw data or other proprietary CT scanner information. The experimental results show that the proposed method has the potential to simulate realistic low-dose CT images.
• Abstract（参考訳）: 高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)を提案する。 まず、高線量CT画像からクリーンなCT画像とノイズ画像を生成する2つのスキームを紹介します。 そして, これらの画像から, ne-ganを用いて低線量ct画像の異なるレベルをシミュレートし, 生成雑音のレベルを連続的にノイズ係数で制御する手法を提案する。 NE-GANはジェネレータと一組の識別器から構成されており、識別器の数は訓練中のノイズレベルによって決定される。 通常、実際のアプリケーションでは利用できない投影データに基づく従来の方法と比較して、NE-GANはリアルおよび/またはシミュレートされたCT画像から直接学習することができ、生データやその他の独自のCTスキャナー情報なしで低線量のCT画像を迅速に作成することができます。 実験の結果,本手法は低線量ct画像を再現する可能性が示唆された。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
  CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。 放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。 現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。 我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
  論文  参考訳（メタデータ） (2022-11-01T20:58:50Z)
• 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)
• Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A Simulation Study [4.7849095200575045]
  放射能の特徴は、低線量ct(low dose computed tomography)スキャンのようなノイズ画像から計算される。 本稿では, ノイズCTで算出した放射能特性の改善の可能性について, 生成モデルを用いて検討する。 その結果, エンコーダデコーダネットワーク (edn) と条件付き生成型adversarial network (cgans) を用いたノイズctで算出した放射能特性を改善することができた。
  論文  参考訳（メタデータ） (2021-04-30T15:18:57Z)
• Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs [7.4103922463838785]
  自己監視型学習型CTデノイジング法を提案する。 低線量CT(LDCT)と正常線量CT(NDCT)のペアからCTノイズを予測できるプリトレーニングCTデノイジングとノイズモデルをトレーニングします。 2016 AAPM Low-Dose CT Grand Challengeデータセットにおいて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2021-04-06T07:11:46Z)
• A deep network for sinogram and CT image reconstruction [28.175533839713847]
  本稿では,シングラムとCT画像再構成のためのディープネットワークを設計する。 ネットワークは2つのカスケードブロックで構成され、フィルタバックプロジェクション層によってリンクされる。 以上の結果より, 再建CT画像のPSNRおよびSSIMは, 術式と比較して高い値を示した。
  論文  参考訳（メタデータ） (2020-01-20T15:50:16Z)

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。