論文の概要: Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging
- arxiv url: http://arxiv.org/abs/2106.12175v1
- Date: Wed, 23 Jun 2021 05:50:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 15:15:16.223149
- Title: Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging
- Title（参考訳）: deformed2self: dynamic medical imagingのための自己教師付きデノイジング
- Authors: Junshen Xu, Elfar Adalsteinsson
- Abstract要約: Deformed2Selfは動的撮像のためのエンドツーエンドの自己教師型ディープラーニングフレームワークである。
シングルイメージとマルチイメージのデノゲーションを組み合わせて画像品質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image denoising is of great importance for medical imaging system, since it
can improve image quality for disease diagnosis and downstream image analyses.
In a variety of applications, dynamic imaging techniques are utilized to
capture the time-varying features of the subject, where multiple images are
acquired for the same subject at different time points. Although
signal-to-noise ratio of each time frame is usually limited by the short
acquisition time, the correlation among different time frames can be exploited
to improve denoising results with shared information across time frames. With
the success of neural networks in computer vision, supervised deep learning
methods show prominent performance in single-image denoising, which rely on
large datasets with clean-vs-noisy image pairs. Recently, several
self-supervised deep denoising models have been proposed, achieving promising
results without needing the pairwise ground truth of clean images. In the field
of multi-image denoising, however, very few works have been done on extracting
correlated information from multiple slices for denoising using self-supervised
deep learning methods. In this work, we propose Deformed2Self, an end-to-end
self-supervised deep learning framework for dynamic imaging denoising. It
combines single-image and multi-image denoising to improve image quality and
use a spatial transformer network to model motion between different slices.
Further, it only requires a single noisy image with a few auxiliary
observations at different time frames for training and inference. Evaluations
on phantom and in vivo data with different noise statistics show that our
method has comparable performance to other state-of-the-art unsupervised or
self-supervised denoising methods and outperforms under high noise levels.
- Abstract（参考訳）: 画像変性は,疾患診断や下流画像解析のための画像品質を向上させるため,医用画像システムにとって非常に重要である。
様々な応用において、動的イメージング技術を用いて被写体の時間変化の特徴を捉え、同じ被写体に対して異なる時間ポイントで複数の画像を取得する。
各時間フレームの信号対雑音比は通常、短い取得時間によって制限されるが、異なる時間フレーム間の相関を利用して、時間フレーム間の共有情報による復調結果を改善することができる。
コンピュータビジョンにおけるニューラルネットワークの成功により、教師付きディープラーニング手法は、クリーンなvsノイズのイメージペアを持つ大規模なデータセットに依存する、単一イメージの認知において顕著なパフォーマンスを示す。
近年, 自己教師付き深層ノイズモデルがいくつか提案されており, クリーン画像のペアワイズ基底真理を必要とせず, 有望な結果が得られた。
しかし,マルチイメージ・Denoisingの分野では,自己教師型深層学習法を用いて,複数のスライスから相関情報を抽出する作業はほとんど行われていない。
本研究では,ダイナミックイメージングのためのエンドツーエンドの自己教師型ディープラーニングフレームワークDeformed2Selfを提案する。
シングルイメージとマルチイメージのデノゲーションを組み合わせて画質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
さらに、トレーニングと推論のために異なる時間フレームでいくつかの補助的な観察を行う単一ノイズ画像のみを必要とする。
ノイズ統計値の異なるファントムおよび生体内データを用いて評価したところ,本手法は他の最先端の教師なし・自己監督型復調法と同等の性能を示した。
関連論文リスト
- Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。
NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文 参考訳（メタデータ） (2024-11-16T16:24:28Z) - A Comparison of Image Denoising Methods [23.69991964391047]
我々は、異なるアプリケーションのための合成データセットと実世界のデータセットの様々なデノベーション手法を比較した。
単純な行列に基づくアルゴリズムは, テンソルのアルゴリズムと比較して, 同様の結果が得られる可能性が示唆された。
近年の進歩にもかかわらず、既存の技術の欠点と拡張の可能性について論じる。
論文 参考訳（メタデータ） (2023-04-18T13:41:42Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。
画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。
本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-01T10:52:03Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - ISCL: Interdependent Self-Cooperative Learning for Unpaired Image
Denoising [3.796436257221662]
本論文では,ISCL (Interdependent Self-Cooperative Learning) を提案する。
ISCLは、周期的対向学習と自己監督的残差学習を組み合わせる。
そこで本研究では,isclが従来および現在のディープラーニングに基づく画像デノイジング法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-02-19T10:54:25Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。
特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。
以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2020-10-22T18:12:26Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。