論文の概要: MANAS: Multi-Scale and Multi-Level Neural Architecture Search for
Low-Dose CT Denoising
- arxiv url: http://arxiv.org/abs/2103.12995v1
- Date: Wed, 24 Mar 2021 05:41:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 20:29:29.351777
- Title: MANAS: Multi-Scale and Multi-Level Neural Architecture Search for
Low-Dose CT Denoising
- Title（参考訳）: manas: 低線量ctにおけるマルチスケール・マルチレベルニューラルネットワーク探索
- Authors: Zexin Lu, Wenjun Xia, Yongqiang Huang, Hongming Shan, Hu Chen, Jiliu
Zhou, Yi Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.164252252022505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lowering the radiation dose in computed tomography (CT) can greatly reduce
the potential risk to public health. However, the reconstructed images from the
dose-reduced CT or low-dose CT (LDCT) suffer from severe noise, compromising
the subsequent diagnosis and analysis. Recently, convolutional neural networks
have achieved promising results in removing noise from LDCT images; the network
architectures used are either handcrafted or built on top of conventional
networks such as ResNet and U-Net. Recent advance on neural network
architecture search (NAS) has proved that the network architecture has a
dramatic effect on the model performance, which indicates that current network
architectures for LDCT may be sub-optimal. Therefore, in this paper, we make
the first attempt to apply NAS to LDCT and propose a multi-scale and
multi-level NAS for LDCT denoising, termed MANAS. On the one hand, the proposed
MANAS fuses features extracted by different scale cells to capture multi-scale
image structural details. On the other hand, the proposed MANAS can search a
hybrid cell- and network-level structure for better performance. Extensively
experimental results on three different dose levels demonstrate that the
proposed MANAS can achieve better performance in terms of preserving image
structural details than several state-of-the-art methods. In addition, we also
validate the effectiveness of the multi-scale and multi-level architecture for
LDCT denoising.
- Abstract（参考訳）: CT(Computed tomography)における放射線線量低下は公衆衛生のリスクを大幅に低減させる。
しかし,低用量CTまたは低用量CT(LDCT)から再構成した画像は,重音に悩まされ,その後の診断と解析が困難となった。
近年、畳み込みニューラルネットワークはLDCT画像からノイズを取り除くという有望な結果を達成している。
ニューラルネットワークアーキテクチャ探索(NAS)の最近の進歩は、ネットワークアーキテクチャがモデル性能に劇的な影響を与え、LDCTの現在のネットワークアーキテクチャが準最適であることを示している。
そこで本研究では,LDCTにNASを適用した最初の試みとして,MANASと呼ばれるLDCTのマルチスケール・マルチレベルNASを提案する。
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。
3つの異なる線量レベルの大規模な実験結果から,提案したMANASは,いくつかの最先端手法よりも画像構造の詳細を保存できる可能性が示唆された。
また,LDCTのマルチスケールおよびマルチレベルアーキテクチャの有効性も検証した。
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) - 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) - 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) - Restoring Vision in Hazy Weather with Hierarchical Contrastive Learning [53.85892601302974]
階層的コントラストデハージング(HCD)という,効果的な画像デハージング手法を提案する。
HCDは階層的脱ハージングネットワーク(HDN)と新しい階層的コントラスト損失(HCL)から構成される
論文 参考訳（メタデータ） (2022-12-22T03:57:06Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal
Artifact Reduction [15.225899631788973]
金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。
CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。
MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
論文 参考訳（メタデータ） (2021-02-16T08:09:16Z) - Deep High-Resolution Network for Low Dose X-ray CT Denoising [1.1852406625172216]
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。
論文 参考訳（メタデータ） (2021-02-01T02:54:29Z) - Low-dimensional Manifold Constrained Disentanglement Network for Metal
Artifact Reduction [17.01644053979103]
アーティファクト・ディアンタングメント・ネットワーク (ADN) が, 臨床画像を直接検査して提案され, 臨床データセットに有望な結果が得られた。
パッチ多様体が一般に低次元であることのイメージ特性を活かした低次元多様体 (LDM) 制約付き非絡合ネットワーク (DN) を提案する。
提案手法は,ペアおよび/またはペアなしの学習環境におけるMAR性能を安定的に向上できることを示す。
論文 参考訳（メタデータ） (2020-07-08T03:47:34Z) - Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose
CT Denoising [0.0]
低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。
平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。
提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
論文 参考訳（メタデータ） (2020-06-26T00:35:26Z)
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。