論文の概要: Multi-Cycle-Consistent Adversarial Networks for Edge Denoising of Computed Tomography Images

• arxiv url: http://arxiv.org/abs/2104.12044v1
• Date: Sun, 25 Apr 2021 01:53:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 14:49:52.351125
• Title: Multi-Cycle-Consistent Adversarial Networks for Edge Denoising of Computed Tomography Images
• Title（参考訳）: Computed Tomography 画像のエッジデノナイズのためのマルチサイクル共振器ネットワーク
• Authors: Xiaowe Xu, Jiawei Zhang, Jinglan Liu, Yukun Ding, Tianchen Wang, Hailong Qiu, Haiyun Yuan, Jian Zhuang, and Wen Xie, Yuhao Dong, Qianjun Jia, Meiping Huang, Yiyu Shi
• Abstract要約: 低線量低線量CT画像(ドメインY)からの高線量CT画像(ドメインX)のような高線量化の試み 本論文では、中間領域を構築し、CT画像のエッジデノイジングのためのローカルおよびグローバルサイクル一貫性の両方を強制するマルチサイクル一貫性対人ネットワーク(MCCAN)を提案する。
• 参考スコア（独自算出の注目度）: 18.33958264827512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As one of the most commonly ordered imaging tests, computed tomography (CT) scan comes with inevitable radiation exposure that increases the cancer risk to patients. However, CT image quality is directly related to radiation dose, thus it is desirable to obtain high-quality CT images with as little dose as possible. CT image denoising tries to obtain high dose like high-quality CT images (domain X) from low dose low-quality CTimages (domain Y), which can be treated as an image-to-image translation task where the goal is to learn the transform between a source domain X (noisy images) and a target domain Y (clean images). In this paper, we propose a multi-cycle-consistent adversarial network (MCCAN) that builds intermediate domains and enforces both local and global cycle-consistency for edge denoising of CT images. The global cycle-consistency couples all generators together to model the whole denoising process, while the local cycle-consistency imposes effective supervision on the process between adjacent domains. Experiments show that both local and global cycle-consistency are important for the success of MCCAN, which outperformsCCADN in terms of denoising quality with slightly less computation resource consumption.
• Abstract（参考訳）: 最も一般的な画像検査の1つとして、ctスキャンは、患者に対するがんリスクを増加させる必然的な放射線被曝を伴う。 しかし、CT画像の品質は放射線線量に直接関係しているため、可能な限り少ない線量で高品質なCT画像を得ることが望ましい。 CT画像復調は、低線量低線量CT画像(ドメインY)から高線量CT画像(ドメインX)のような高線量を取得し、ソース領域X(ノイズ画像)とターゲット領域Y(クリーン画像)との変換を学習する画像画像変換タスクとして扱うことができる。 本稿では,中間ドメインを構築し,ct画像のエッジ分割に対して局所的および大域的サイクル一貫性を強制するマルチサイクル整合逆ネットワーク(mccan)を提案する。 グローバルサイクル整合性は、すべてのジェネレータを結合してデノナイジングプロセス全体をモデル化し、一方、局所サイクル整合性は隣り合うドメイン間のプロセスに効果的な監督を課す。 実験により、局所的およびグローバル的サイクル・コンシスタンスの両方がマカンの成功に重要であることが示され、これは少し少ない計算資源消費で品質の低下という点でsccadnを上回っている。

関連論文リスト

• Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
  拡散に基づく生成モデルは、画像編集や復元といった応用タスクと同様に、無条件生成において優れている。 本稿では、任意の分布をODEで変換する一般化軌道モデル(GCTM)を提案する。 本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T07:24:54Z)
• 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)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• 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)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• 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)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• 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)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising [22.351540738281265]
  LDCT画像の画質向上のために, ディープラーニング技術が導入されている。 本稿では, DA-GAN と呼ばれる新しい手法を提案する。この手法は, GANs フレームワークにおける U-Net ベースの識別器を用いて, 正規化画像と正規化画像のグローバル・ローカル差分を学習する。
  論文  参考訳（メタデータ） (2021-08-24T14:37:46Z)
• Probabilistic self-learning framework for Low-dose CT Denoising [1.8734449181723827]
  被曝の減少は、被曝量を減少させ、したがって放射線関連のリスクを減少させる。 低用量CT(LDCT)を診断するためにニューラルネットワークをトレーニングするために、改良されたディープラーニングを使用することができる
  論文  参考訳（メタデータ） (2020-05-30T17:47:10Z)

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。