論文の概要: An unsupervised deep learning framework for medical image denoising
- arxiv url: http://arxiv.org/abs/2103.06575v1
- Date: Thu, 11 Mar 2021 10:03:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 14:50:39.984819
- Title: An unsupervised deep learning framework for medical image denoising
- Title（参考訳）: 医用画像分類のための教師なし深層学習フレームワーク
- Authors: Swati Rai, Jignesh S. Bhatt, and S. K. Patra
- Abstract要約: 本稿では,利用可能な画像からノイズ特性を学習する非監視医療画像消音技術について紹介する。
ノイズを直接学習するノイズと残留学習(RL)を間接的に学習する2ブロックのデータ処理、viz.、パッチベースの辞書で構成されている。
MRI/CTデータセットの実験はGPUベースのスーパーコンピュータ上で行われ、比較結果は、提案アルゴリズムが画像の臨界情報を保存し、画像の視覚的品質を向上することを示している。
- 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: Medical image acquisition is often intervented by unwanted noise that
corrupts the information content. This paper introduces an unsupervised medical
image denoising technique that learns noise characteristics from the available
images and constructs denoised images. It comprises of two blocks of data
processing, viz., patch-based dictionaries that indirectly learn the noise and
residual learning (RL) that directly learns the noise. The model is generalized
to account for both 2D and 3D images considering different medical imaging
instruments. The images are considered one-by-one from the stack of MRI/CT
images as well as the entire stack is considered, and decomposed into
overlapping image/volume patches. These patches are given to the patch-based
dictionary learning to learn noise characteristics via sparse representation
while given to the RL part to directly learn the noise properties. K-singular
value decomposition (K-SVD) algorithm for sparse representation is used for
training patch-based dictionaries. On the other hand, residue in the patches is
trained using the proposed deep residue network. Iterating on these two parts,
an optimum noise characterization for each image/volume patch is captured and
in turn it is subtracted from the available respective image/volume patch. The
obtained denoised image/volume patches are finally assembled to a denoised
image or 3D stack. We provide an analysis of the proposed approach with other
approaches. Experiments on MRI/CT datasets are run on a GPU-based supercomputer
and the comparative results show that the proposed algorithm preserves the
critical information in the images as well as improves the visual quality of
the images.
- Abstract（参考訳）: 医療画像取得は、しばしば情報内容を汚す不要なノイズによって妨げられます。
本稿では,利用可能な画像から雑音特性を学習し,消音画像を構築する非監視医療画像消音技術について紹介する。
ノイズを直接学習するノイズと残留学習(RL)を間接的に学習する2ブロックのデータ処理、viz.、パッチベースの辞書で構成されている。
このモデルは、異なる医療用イメージング機器を考慮に入れた2Dおよび3D画像の両方を考慮するために一般化される。
画像はMRI/CT画像のスタックから1対1と見なされ、スタック全体も考慮され、重複する画像/ボリュームパッチに分解される。
これらのパッチはパッチベースの辞書学習に与えられ、RL部に与えられてノイズ特性を直接学習しながらスパース表現を介してノイズ特性を学習する。
疎表現のためのK-SVDアルゴリズムは、パッチに基づく辞書の訓練に用いられる。
一方、パッチの残留物は提案された深部残留物ネットワークを使用して訓練される。
これら2つの部分を繰り返して、各画像/ボリュームパッチの最適なノイズ特徴を捕捉し、利用可能な各画像/ボリュームパッチから減算する。
得られた復号画像/ボリュームパッチを最終的に復号画像または3Dスタックに組み立てる。
提案したアプローチを他のアプローチで分析します。
MRI/CTデータセットの実験はGPUベースのスーパーコンピュータ上で行われ、比較結果は、提案アルゴリズムが画像の臨界情報を保存し、画像の視覚的品質を向上することを示している。
関連論文リスト
- Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Considering Image Information and Self-similarity: A Compositional
Denoising Network [0.0]
本稿では,画像情報経路 (IIP) と雑音推定経路 (NEP) の2つの問題を解く構成記述ネットワーク (CDN) を提案する。
実験により、CDNは合成および実世界の画像の復調において最先端の結果を達成することが示された。
論文 参考訳（メタデータ） (2022-09-14T05:05:08Z) - Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。
提案されたADLは2つの自動エンコーダで構成されている。
デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
論文 参考訳（メタデータ） (2022-04-29T13:47:39Z) - Synergy Between Semantic Segmentation and Image Denoising via Alternate
Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。
我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。
実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文 参考訳（メタデータ） (2021-02-24T06:48:45Z) - ISCL: Interdependent Self-Cooperative Learning for Unpaired Image
Denoising [3.796436257221662]
本論文では,ISCL (Interdependent Self-Cooperative Learning) を提案する。
ISCLは、周期的対向学習と自己監督的残差学習を組み合わせる。
そこで本研究では,isclが従来および現在のディープラーニングに基づく画像デノイジング法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-02-19T10:54:25Z) - Noise2Stack: Improving Image Restoration by Learning from Volumetric
Data [0.0]
本稿では,画像スタックへのNoss2Noise法の拡張であるNoss2Stackを紹介する。
磁気共鳴脳スキャンと新たに取得した多面体顕微鏡データを用いて,スタック内の画像近傍からのみ学習することで,ノイズ2ノイズとノイズ2Voidを上回り得ることを示す。
論文 参考訳（メタデータ） (2020-11-10T14:01:47Z) - 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) - Dual Adversarial Network: Toward Real-world Noise Removal and Noise
Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。
本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。
本手法はクリーンノイズ画像対の連成分布を学習する。
論文 参考訳（メタデータ） (2020-07-12T09:16:06Z) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳（メタデータ） (2020-06-10T21:28:13Z) - A CNN-Based Blind Denoising Method for Endoscopic Images [19.373025463383385]
低画質の内視鏡画像が多数存在するのは,GI領域の照明や複雑な環境が限られているためである。
本稿では,内視鏡画像のための畳み込み型ブラインドデノイングネットワークを提案する。
論文 参考訳（メタデータ） (2020-03-16T03:11:11Z)
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。