論文の概要: Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A
Simulation Study
- arxiv url: http://arxiv.org/abs/2104.15050v1
- Date: Fri, 30 Apr 2021 15:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 15:12:41.216495
- Title: Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A
Simulation Study
- Title（参考訳）: 生成モデルによる低線量ctの再現性改善--シミュレーションによる検討
- Authors: Junhua Chen, Chong Zhang, Alberto Traverso, Ivan Zhovannik, Andre
Dekker, Leonard Wee and Inigo Bermejo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.7849095200575045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiomics is an active area of research in medical image analysis, the low
reproducibility of radiomics has limited its applicability to clinical
practice. This issue is especially prominent when radiomic features are
calculated from noisy images, such as low dose computed tomography (CT) scans.
In this article, we investigate the possibility of improving the
reproducibility of radiomic features calculated on noisy CTs by using
generative models for denoising.One traditional denoising method - non-local
means - and two generative models - encoder-decoder networks (EDN) and
conditional generative adversarial networks (CGANs) - were selected as the test
models. We added noise to the sinograms of full dose CTs to mimic low dose CTs
with two different levels of noise: low-noise CT and high-noise CT. Models were
trained on high-noise CTs and used to denoise low-noise CTs without
re-training. We also test the performance of our model in real data, using
dataset of same-day repeat low dose CTs to assess the reproducibility of
radiomic features in denoised images. The EDN and the CGAN improved the
concordance correlation coefficients (CCC) of radiomic features for low-noise
images from 0.87 to 0.92 and for high-noise images from 0.68 to 0.92
respectively. Moreover, the EDN and the CGAN improved the test-retest
reliability of radiomic features (mean CCC increased from 0.89 to 0.94) based
on real low dose CTs. The results show that denoising using EDN and CGANs can
improve the reproducibility of radiomic features calculated on noisy CTs.
Moreover, images with different noise levels can be denoised to improve the
reproducibility using these models without re-training, as long as the noise
intensity is equal or lower than that in high-noise CTs. To the authors'
knowledge, this is the first effort to improve the reproducibility of radiomic
features calculated on low dose CT scans.
- Abstract（参考訳）: 放射線医学は医用画像解析研究の活発な領域であり、放射線学の再現性が低いことは臨床応用に限定している。
この問題は、低線量ct(low dose computed tomography)スキャンのようなノイズ画像から放射能の特徴を計算する際に特に顕著である。
本稿では, ノイズCTで計算した放射能の再現性を改善するために, 従来のデノナイズ法-非局所的手段-と2つの生成モデル-エンコーダ・デコーダ・ネットワーク(EDN)と条件付きデノナイズ・ネットワーク(CGAN)を試験モデルとして選択した。
低音CTと高音CTの2種類のノイズレベルを持つ低線量CTを模倣するために、フル線量CTのシノグラムにノイズを加えました。
また,同日リピート低線量ctのデータセットを用いて,実データでモデルの性能をテストし,画像中の放射線学的特徴の再現性を評価する。
EDNとCGANは、低ノイズ画像のコンコータンス相関係数(CCC)を0.87から0.92に、高ノイズ画像の0.68から0.92に改善した。
さらに、EDNとCGANは、実際の低線量CTに基づいて、放射能特性(平均CCCは0.89から0.94に増加した)のテスト再検査信頼性を改善した。
その結果, ednおよびcganを用いた雑音下ctで算出した放射能特性の再現性が向上した。
また、ノイズレベルの異なる画像は、高ノイズctのノイズ強度が同等または低ければ、再訓練することなく、これらのモデルを用いて再現性を向上させることができる。
著者らにとって、これは低線量CTスキャンで計算された放射能特性の再現性を改善するための最初の試みである。
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) - 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) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - 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) - 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) - 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) - Generative Models Improve Radiomics Performance in Different Tasks and
Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。
生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文 参考訳（メタデータ） (2021-09-06T06:01:21Z) - Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs [7.4103922463838785]
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。
論文 参考訳（メタデータ） (2021-04-06T07:11:46Z) - Noise Entangled GAN For Low-Dose CT Simulation [32.3869284562502]
高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)。
高線量CT画像からクリーンCT画像とノイズ画像を生成するための2つの手法を提案する。
NE-GANは低線量CT画像の異なるレベルをシミュレートするために提案される。
論文 参考訳（メタデータ） (2021-02-18T21:04:32Z) - No-reference denoising of low-dose CT projections [2.7716102039510564]
低線量CT (LDCT) は放射線学において明らかな傾向を呈し, 患者への過剰なX線照射の回避が望まれる。
放射線線量減少は患者のリスクを減少させるが、ノイズレベルを上昇させ、画像の品質と診断値に影響を及ぼす。
1つの緩和オプションは、ディープラーニングアルゴリズムを用いてデノナイジングモデルを訓練するために、低線量および高線量CTプロジェクションのペアを検討することである。
本稿では,従来の自己監督法と異なり,新しい自己監督法を提案する。
論文 参考訳（メタデータ） (2021-02-03T13:51:33Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳（メタデータ） (2020-05-14T09:24:48Z)
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。