論文の概要: Window-Level is a Strong Denoising Surrogate

• arxiv url: http://arxiv.org/abs/2105.07153v1
• Date: Sat, 15 May 2021 07:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:31:37.134047
• Title: Window-Level is a Strong Denoising Surrogate
• Title（参考訳）: Window-Levelは強力なデノイングサロゲート
• Authors: Ayaan Haque, Adam Wang, Abdullah-Al-Zubaer Imran
• Abstract要約: 高放射線は患者とオペレーターの両方に有害である。 深層学習に基づくアプローチは、低線量画像のノイズ化を試みている。 自己監督学習は、参照データ要件を下げるための新しい代替手段です。
• 参考スコア（独自算出の注目度）: 0.7251305766151019
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: CT image quality is heavily reliant on radiation dose, which causes a trade-off between radiation dose and image quality that affects the subsequent image-based diagnostic performance. However, high radiation can be harmful to both patients and operators. Several (deep learning-based) approaches have been attempted to denoise low dose images. However, those approaches require access to large training sets, specifically the full dose CT images for reference, which can often be difficult to obtain. Self-supervised learning is an emerging alternative for lowering the reference data requirement facilitating unsupervised learning. Currently available self-supervised CT denoising works are either dependent on foreign domain or pretexts are not very task-relevant. To tackle the aforementioned challenges, we propose a novel self-supervised learning approach, namely Self-Supervised Window-Leveling for Image DeNoising (SSWL-IDN), leveraging an innovative, task-relevant, simple, yet effective surrogate -- prediction of the window-leveled equivalent. SSWL-IDN leverages residual learning and a hybrid loss combining perceptual loss and MSE, all incorporated in a VAE framework. Our extensive (in- and cross-domain) experimentation demonstrates the effectiveness of SSWL-IDN in aggressive denoising of CT (abdomen and chest) images acquired at 5\% dose level only.
• Abstract（参考訳）: CT画像の品質は放射線線量に大きく依存しており、放射線線量とその後の画像ベースの診断性能に影響を与える画像品質とのトレードオフを引き起こす。 しかし、高放射線は患者とオペレーターの両方に有害である。 いくつかの(深層学習に基づく)アプローチは、低線量画像をデノベートするために試みられている。 しかし、これらのアプローチは大規模なトレーニングセット、特に参照のためのフル線量CT画像へのアクセスを必要とするため、入手が難しい場合が多い。 自己教師付き学習は、教師なし学習を促進するための参照データ要件を下げる新しい方法である。 現在入手可能な自己監督型CT鑑定作業は、外部ドメインに依存しているか、あるいはタスク関連ではない。 上記の課題に取り組むため,我々は,新しい自己教師あり学習手法を提案する。sswl-idn (self-supervised window-leveling for image denoising) という。 SSWL-IDNは、残差学習と、知覚的損失とMSEを組み合わせたハイブリッド損失を利用する。 SSWL-IDNはCT(腹部,胸部)画像の5\%の線量レベルでのアグレッシブ・デノナイジングにおいて有効であった。

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)
• Restoring Vision in Hazy Weather with Hierarchical Contrastive Learning [53.85892601302974]
  階層的コントラストデハージング(HCD)という,効果的な画像デハージング手法を提案する。 HCDは階層的脱ハージングネットワーク(HDN)と新しい階層的コントラスト損失(HCL)から構成される
  論文  参考訳（メタデータ） (2022-12-22T03:57:06Z)
• 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)
• 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)
• 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)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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。