論文の概要: DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2108.10772v1
• Date: Tue, 24 Aug 2021 14:37:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 15:32:56.232583
• Title: DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising
• Title（参考訳）: DU-GAN:低用量CT復調用デュアルドメインU-Netディスクリミネータを用いた生成対向ネットワーク
• Authors: Zhizhong Huang, Junping Zhang, Yi Zhang, Hongming Shan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.351540738281265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LDCT has drawn major attention in the medical imaging field due to the potential health risks of CT-associated X-ray radiation to patients. Reducing the radiation dose, however, decreases the quality of the reconstructed images, which consequently compromises the diagnostic performance. Various deep learning techniques have been introduced to improve the image quality of LDCT images through denoising. GANs-based denoising methods usually leverage an additional classification network, i.e. discriminator, to learn the most discriminate difference between the denoised and normal-dose images and, hence, regularize the denoising model accordingly; it often focuses either on the global structure or local details. To better regularize the LDCT denoising model, this paper proposes a novel method, termed DU-GAN, which leverages U-Net based discriminators in the GANs framework to learn both global and local difference between the denoised and normal-dose images in both image and gradient domains. The merit of such a U-Net based discriminator is that it can not only provide the per-pixel feedback to the denoising network through the outputs of the U-Net but also focus on the global structure in a semantic level through the middle layer of the U-Net. In addition to the adversarial training in the image domain, we also apply another U-Net based discriminator in the image gradient domain to alleviate the artifacts caused by photon starvation and enhance the edge of the denoised CT images. Furthermore, the CutMix technique enables the per-pixel outputs of the U-Net based discriminator to provide radiologists with a confidence map to visualize the uncertainty of the denoised results, facilitating the LDCT-based screening and diagnosis. Extensive experiments on the simulated and real-world datasets demonstrate superior performance over recently published methods both qualitatively and quantitatively.
• Abstract（参考訳）: LDCTは、CT関連X線による患者の健康リスクから、医療画像分野で大きな注目を集めている。 しかし、放射線線量の減少は再構成画像の品質を低下させ、結果として診断性能を損なう。 LDCT画像の品質向上のために,様々なディープラーニング技術が導入されている。 GANをベースとした denoising 法は、通常、追加の分類網、すなわち、追加の分類網を利用する。 識別器は、識別された画像と通常のドーズ画像の最も差別的な違いを学習し、それに従って復調モデルを正規化し、大域的な構造や局所的な詳細に焦点を当てることが多い。 本稿では,LDCTデノナイジングモデルを改善するために,GANフレームワークにおけるU-Netに基づく差別化手法であるDU-GANを提案し,画像領域と勾配領域の両方におけるデノナイジング画像の局所的差と局所的差を学習する。 このようなU-Netベースの識別器の利点は、U-Netの出力を通じて1ピクセル当たりのフィードバックを提供するだけでなく、U-Netの中間層を通した意味レベルでのグローバル構造に焦点を合わせることができることである。 画像領域における敵対的トレーニングに加えて、画像勾配領域に別のu-netベースの判別器を適用し、光子飢餓によるアーティファクトの軽減と分断されたct画像のエッジの強化を図る。 さらに、カットミックス技術により、u-netベースの判別器の画素単位の出力に対して、放射線科医に信頼度マップを提供し、その不確かさを可視化し、ldctに基づくスクリーニングおよび診断を容易にする。 シミュレーションおよび実世界のデータセットに関する広範な実験は、最近公開された方法よりも質的かつ定量的に優れた性能を示している。

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)
• Self Supervised Low Dose Computed Tomography Image Denoising Using Invertible Network Exploiting Inter Slice Congruence [20.965610734723636]
  LDCT画像とNDCT画像のペア化の必要性を軽減するために, 自己監督型低用量CTデノベーション法を提案する。 我々は、ノイズスライスと隣接する2つのノイズスライスの平均の2乗距離を最小化するために、可逆ニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-03T07:16:18Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT Denoising [10.101822678034393]
  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。
  論文  参考訳（メタデータ） (2021-05-15T05:59:01Z)
• Multi-Cycle-Consistent Adversarial Networks for Edge Denoising of Computed Tomography Images [18.33958264827512]
  低線量低線量CT画像(ドメインY)からの高線量CT画像(ドメインX)のような高線量化の試み 本論文では、中間領域を構築し、CT画像のエッジデノイジングのためのローカルおよびグローバルサイクル一貫性の両方を強制するマルチサイクル一貫性対人ネットワーク(MCCAN)を提案する。
  論文  参考訳（メタデータ） (2021-04-25T01:53:46Z)
• 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)
• 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)

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。