論文の概要: RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT Denoising

• arxiv url: http://arxiv.org/abs/2105.07146v1
• Date: Sat, 15 May 2021 05:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 10:56:37.547849
• Title: RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT Denoising
• Title（参考訳）: リドネット:低線量ct用深層ニューラルネットワーク
• Authors: Kecheng Chen, Jiayu Sun, Jiang Shen, Jixiang Luo, Xinyu Zhang, Xuelin Pan, Dongsheng Wu, Yue Zhao, Miguel Bento, Yazhou Ren and Xiaorong Pu
• Abstract要約: 低用量CT(LDCT)は早期の肺癌やCOVID-19のスクリーニングに広く採用されている。 LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。 LDCT画像を読み取る放射線科医のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 10.101822678034393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Being low-level radiation exposure and less harmful to health, low-dose computed tomography (LDCT) has been widely adopted in the early screening of lung cancer and COVID-19. LDCT images inevitably suffer from the degradation problem caused by complex noises. It was reported that, compared with commercial iterative reconstruction methods, deep learning (DL)-based LDCT denoising methods using convolutional neural network (CNN) achieved competitive performance. Most existing DL-based methods focus on the local information extracted by CNN, while ignoring both explicit non-local and context information (which are leveraged by radiologists). To address this issue, we propose a novel deep learning model named radiologist-inspired deep denoising network (RIDnet) to imitate the workflow of a radiologist reading LDCT images. Concretely, the proposed model explicitly integrates all the local, non-local and context information rather than local information only. Our radiologist-inspired model is potentially favoured by radiologists as a familiar workflow. A double-blind reader study on a public clinical dataset shows that, compared with state-of-the-art methods, our proposed model achieves the most impressive performance in terms of the structural fidelity, the noise suppression and the overall score. As a physicians-inspired model, RIDnet gives a new research roadmap that takes into account the behavior of physicians when designing decision support tools for assisting clinical diagnosis. Models and code are available at https://github.com/tonyckc/RIDnet_demo.
• Abstract（参考訳）: 低レベルの放射線曝露と健康への有害性が低いため、肺がんやCOVID-19の早期スクリーニングにおいて低用量CT(LDCT)が広く採用されている。 LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。 商業的反復的再構成法と比較して,畳み込みニューラルネットワーク(CNN)を用いた深層学習(DL)に基づくLDCT復調法が競争力を発揮することが報告された。 既存のDLベースの手法の多くは、CNNが抽出したローカル情報に重点を置いているが、明示的な非ローカル情報と文脈情報の両方を無視している(放射線学者が活用している)。 この問題に対処するために,LDCT画像を読み取る放射線技師のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。 具体的には、提案モデルは、ローカル情報のみでなく、ローカル情報、非ローカル情報、コンテキスト情報をすべて明示的に統合する。 放射線科医にインスパイアされたモデルは、放射線科医に親しまれるワークフローとして好まれています。 一般臨床データに対する二重盲検者による研究によれば,提案手法は最新の手法と比較して,構造的忠実性,騒音抑制,総合スコアにおいて最も印象的な性能が得られる。 医師にインスパイアされたモデルとして、ridnetは臨床診断を支援する意思決定支援ツールを設計する際の医師の行動を考慮した新しい研究ロードマップを提供している。 モデルとコードはhttps://github.com/tonyckc/ridnet_demoで入手できる。

関連論文リスト

• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
  医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。 視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。 本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• 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)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• 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)

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。