論文の概要: Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network

• arxiv url: http://arxiv.org/abs/2105.00273v1
• Date: Sat, 1 May 2021 14:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:50:08.460337
• Title: Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network
• Title（参考訳）: 深い残差とマルチスケールエンコーダ/デコーダネットワークを用いたブラインド顕微鏡像
• Authors: Fabio Hern\'an Gil Zuluaga, Francesco Bardozzo, Jorge Iv\'an R\'ios Pati\~no, Roberto Tagliaferri
• Abstract要約: 深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In computer-aided diagnosis (CAD) focused on microscopy, denoising improves the quality of image analysis. In general, the accuracy of this process may depend both on the experience of the microscopist and on the equipment sensitivity and specificity. A medical image could be corrupted by both intrinsic noise, due to the device limitations, and, by extrinsic signal perturbations during image acquisition. Nowadays, CAD deep learning applications pre-process images with image denoising models to reinforce learning and prediction. In this work, an innovative and lightweight deep multiscale convolutional encoder-decoder neural network is proposed. Specifically, the encoder uses deterministic mapping to map features into a hidden representation. Then, the latent representation is rebuilt to generate the reconstructed denoised image. Residual learning strategies are used to improve and accelerate the training process using skip connections in bridging across convolutional and deconvolutional layers. The proposed model reaches on average 38.38 of PSNR and 0.98 of SSIM on a test set of 57458 images overcoming state-of-the-art models in the same application domain
• Abstract（参考訳）: 顕微鏡に焦点を当てたコンピュータ支援診断(cad)では、画像解析の質を向上させる。 一般に、このプロセスの精度は、マイクロスコピストの経験と、機器の感度と特異性の両方に依存する。 医用画像は、装置の制限による内在ノイズと、画像取得時の外因性信号の摂動の両方によって劣化する可能性がある。 近年,CAD深層学習は,学習と予測を強化するために,画像デノゲーションモデルによる画像の事前処理を行っている。 本研究では,革新的で軽量なマルチスケール畳み込みエンコーダ・デコーダニューラルネットワークを提案する。 具体的には、エンコーダは決定論的マッピングを使用して、特徴を隠れた表現にマッピングする。 そして、潜在表現を再構築して、再構成された分別画像を生成する。 残差学習戦略は、畳み込み層と畳み込み層にまたがるブリッジリングにおけるスキップ接続を使用して、トレーニングプロセスを改善および加速するために使用される。 提案モデルはPSNRの38.38、SSIMの0.98に到達し、同じアプリケーション領域における最先端モデルを克服する57458イメージのテストセットである。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• A plug-and-play synthetic data deep learning for undersampled magnetic resonance image reconstruction [15.780203168452443]
  アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。 異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T02:37:19Z)
• CoNeS: Conditional neural fields with shift modulation for multi-sequence MRI translation [5.662694302758443]
  マルチシーケンスMRI(Multi-sequence magnetic resonance imaging)は、現代の臨床研究とディープラーニング研究の両方に広く応用されている。 画像取得プロトコルの違いや、患者のコントラスト剤の禁忌が原因で、MRIの1つ以上の配列が欠落することがしばしば起こる。 1つの有望なアプローチは、生成モデルを利用して欠落したシーケンスを合成することであり、これはサロゲート獲得の役割を果たす。
  論文  参考訳（メタデータ） (2023-09-06T19:01:58Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
  後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。 提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。 本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-03-17T15:26:00Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。