論文の概要: Lesion-Inspired Denoising Network: Connecting Medical Image Denoising
and Lesion Detection
- arxiv url: http://arxiv.org/abs/2104.08845v1
- Date: Sun, 18 Apr 2021 12:53:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:39:45.351369
- Title: Lesion-Inspired Denoising Network: Connecting Medical Image Denoising
and Lesion Detection
- Title（参考訳）: 病変誘発脱神経ネットワーク:医療画像と損傷検出を繋ぐ
- Authors: Kecheng Chen, Kun Long, Yazhou Ren, Jiayu Sun and Xiaorong Pu
- Abstract要約: LIDnet(Lesion-Inspired Denoising Network)を提案し、デノイジング性能と病変検出精度を向上させます。
実験により, LIDnetを装着することにより, ベースライン法におけるノイズ検出と病変検出の両性能を著しく向上できることが示された。
- 参考スコア（独自算出の注目度）: 6.170271503640482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has achieved notable performance in the denoising task of
low-quality medical images and the detection task of lesions, respectively.
However, existing low-quality medical image denoising approaches are
disconnected from the detection task of lesions. Intuitively, the quality of
denoised images will influence the lesion detection accuracy that in turn can
be used to affect the denoising performance. To this end, we propose a
play-and-plug medical image denoising framework, namely Lesion-Inspired
Denoising Network (LIDnet), to collaboratively improve both denoising
performance and detection accuracy of denoised medical images. Specifically, we
propose to insert the feedback of downstream detection task into existing
denoising framework by jointly learning a multi-loss objective. Instead of
using perceptual loss calculated on the entire feature map, a novel
region-of-interest (ROI) perceptual loss induced by the lesion detection task
is proposed to further connect these two tasks. To achieve better optimization
for overall framework, we propose a customized collaborative training strategy
for LIDnet. On consideration of clinical usability and imaging characteristics,
three low-dose CT images datasets are used to evaluate the effectiveness of the
proposed LIDnet. Experiments show that, by equipping with LIDnet, both of the
denoising and lesion detection performance of baseline methods can be
significantly improved.
- Abstract（参考訳）: 深層学習は,低品質な医用画像の難読化タスクと病変の検出タスクにおいて,それぞれ顕著なパフォーマンスを達成した。
しかし, 既存の低品質医用画像復号法は, 病変検出作業から切り離されている。
直観的には、分画画像の品質は病変検出精度に影響を与え、その分画性能に影響を及ぼす。
そこで本研究では,医療画像の復調性能と検出精度の両方を協調的に向上させる,医療画像復調フレームワークであるLesion-Inspireed Denoising Network(LIDnet)を提案する。
具体的には,既存の認知フレームワークに下流検出タスクのフィードバックを挿入し,マルチロス目標を共同学習することを提案する。
特徴地図全体から算出した知覚損失を用いる代わりに、病変検出タスクによって誘発される新しい知覚損失(roi)を用いて、これら2つのタスクをさらに結びつける。
フレームワーク全体の最適化を改善するために,LIDnetのカスタマイズした協調学習戦略を提案する。
臨床的有用性および画像特性を考慮して,提案したLIDnetの有効性を評価するために,低用量CT画像データセットを3つ使用した。
実験により, LIDnetを装着することにより, ベースライン法におけるノイズ検出と病変検出の両性能を著しく向上できることが示された。
関連論文リスト
- Unsupervised Training of a Dynamic Context-Aware Deep Denoising Framework for Low-Dose Fluoroscopic Imaging [6.130738760059542]
フルオロスコープは医用画像におけるリアルタイムX線可視化に重要である。
低線量画像はノイズによって損なわれ、診断精度に影響を及ぼす可能性がある。
蛍光画像系列を動的に認識する教師なし学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T13:39:31Z) - DEMIST: A deep-learning-based task-specific denoising approach for
myocardial perfusion SPECT [17.994633874783144]
MPI SPECT画像(DEMIST)を識別するタスク固有深層学習手法を提案する。
この手法は、デノゲーションを行う一方で、検出タスクにおけるオブザーバのパフォーマンスに影響を与える特徴を保存するように設計されている。
以上の結果から,MPI SPECTで低位像を呈示するDEMISTのさらなる臨床評価が示唆された。
論文 参考訳（メタデータ） (2023-06-07T08:40:25Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - 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) - Task-Oriented Low-Dose CT Image Denoising [11.278150927185994]
本稿では,下流タスクの知識を活かしたタスク指向のネットワーク(TOD-Net)を提案する。
提示された作品は、コンテキストアウェアな画像ノイズ除去手法の将来の開発に光を当てるかもしれない。
論文 参考訳（メタデータ） (2021-03-25T01:47:55Z) - 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) - 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) - Do Noises Bother Human and Neural Networks In the Same Way? A Medical
Image Analysis Perspective [20.40395704320726]
アプリケーション指向のデノナイズフレームワークを導入し、次のニューラルネットワークのデノナイズに焦点を当てる。
実験結果から,提案手法は人間の視覚的認知ネットワークよりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-11-04T06:58:09Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。