論文の概要: Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs
- arxiv url: http://arxiv.org/abs/2104.02326v1
- Date: Tue, 6 Apr 2021 07:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:55:19.764031
- Title: Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs
- Title（参考訳）: Pseudo-CT画像ペアを用いた自己監督学習に基づくCT聴取
- Authors: Dongkyu Won, Euijin Jung, Sion An, Philip Chikontwe, Sang Hyun Park
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.4103922463838785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Self-supervised learning methods able to perform image denoising
without ground truth labels have been proposed. These methods create
low-quality images by adding random or Gaussian noise to images and then train
a model for denoising. Ideally, it would be beneficial if one can generate
high-quality CT images with only a few training samples via self-supervision.
However, the performance of CT denoising is generally limited due to the
complexity of CT noise. To address this problem, we propose a novel
self-supervised learning-based CT denoising method. In particular, we train
pre-train CT denoising and noise models that can predict CT noise from Low-dose
CT (LDCT) using available LDCT and Normal-dose CT (NDCT) pairs. For a given
test LDCT, we generate Pseudo-LDCT and NDCT pairs using the pre-trained
denoising and noise models and then update the parameters of the denoising
model using these pairs to remove noise in the test LDCT. To make realistic
Pseudo LDCT, we train multiple noise models from individual images and generate
the noise using the ensemble of noise models. We evaluate our method on the
2016 AAPM Low-Dose CT Grand Challenge dataset. The proposed ensemble noise
model can generate realistic CT noise, and thus our method significantly
improves the denoising performance existing denoising models trained by
supervised- and self-supervised learning.
- Abstract（参考訳）: 近年,地上の真理ラベルを使わずに画像認識を行う自己教師型学習手法が提案されている。
これらの手法は、画像にランダムまたはガウスノイズを追加して低品質の画像を作成し、そのモデルにノイズを与える。
理想的には、自己監督によって少数のトレーニングサンプルで高品質なCT画像を生成することができれば有益である。
しかし,ctノイズの複雑さから,ctの雑音除去性能は一般に制限されている。
この問題に対処するために,新しい自己教師型学習ベースCT法を提案する。
特に,低用量CT (LDCT) と正常用量CT (NDCT) のペアを用いて,低用量CT (LDCT) からCTノイズを予測できる事前訓練用CTノイズモデルとノイズモデルを訓練する。
与えられた試験LDCTに対して,事前学習した雑音モデルを用いて擬似LDCTとNDCTのペアを生成し,これらのペアを用いて擬似化モデルのパラメータを更新し,試験LDCTのノイズを除去する。
実写的なPseudo LDCTを作成するために,各画像から複数のノイズモデルを訓練し,ノイズモデルのアンサンブルを用いてノイズを生成する。
本手法を2016 aapm low-dose ct grand challengeデータセットで評価した。
提案するアンサンブル雑音モデルは,現実的なctノイズを生成することができるため,教師付き学習と自己教師付き学習により訓練された既存の雑音モデルの性能を大幅に向上させることができる。
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) - Self-supervised Noise2noise Method Utilizing Corrupted Images with a
Modular Network for LDCT Denoising [9.794579903055668]
ディープラーニングは低線量CT(LDCT)画像復調のための有望な手法である。
従来のディープラーニング手法では、ペア化されたノイズとクリーンなデータセットが必要です。
本稿では,LDCTデータのみを用いてLDCT画像の復調を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-13T11:26:56Z) - QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose
CT Image Denoising by Local Similarity Among Unpaired Data [10.745277107045949]
本稿では,LDCT画像復調のためのADNの強化を目的とした,準教師付き学習と呼ばれる新しい学習モードを提案する。
提案手法は、教師付き学習モードやセミ教師付き学習モードとは(互換性はあるが)異なるものであり、既存のネットワークを変更することで容易に実装できる。
実験結果から,本手法は騒音抑制法や文脈忠実度の観点から,最先端の手法と競合することが示された。
論文 参考訳（メタデータ） (2023-02-08T07:19:13Z) - 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) - 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) - 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) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - Suppression of Correlated Noise with Similarity-based Unsupervised Deep
Learning [7.61850613267116]
Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。
Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
論文 参考訳（メタデータ） (2020-11-06T14:31:08Z) - 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) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。