論文の概要: SDnDTI: Self-supervised deep learning-based denoising for diffusion
tensor MRI
- arxiv url: http://arxiv.org/abs/2111.07220v1
- Date: Sun, 14 Nov 2021 01:36:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 17:32:01.961400
- Title: SDnDTI: Self-supervised deep learning-based denoising for diffusion
tensor MRI
- Title(参考訳): SDnDTI : 拡散テンソルMRIのための自己教師型深層学習に基づく denoising
- Authors: Qiyuan Tian, Ziyu Li, Qiuyun Fan, Jonathan R. Polimeni, Berkin Bilgic,
David H. Salat, Susie Y. Huang
- Abstract要約: 拡散強調画像(DWI)のノイズはDTI由来の微細構造パラメータの精度と精度を低下させる。
畳み込みニューラルネットワーク(CNN)を用いたディープラーニングに基づく画像認識は、優れた性能を持つが、CNNのトレーニングを監督するためには、高SNRデータを必要とすることが多い。
本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
- 参考スコア(独自算出の注目度): 0.3694429692322631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The noise in diffusion-weighted images (DWIs) decreases the accuracy and
precision of diffusion tensor magnetic resonance imaging (DTI) derived
microstructural parameters and leads to prolonged acquisition time for
achieving improved signal-to-noise ratio (SNR). Deep learning-based image
denoising using convolutional neural networks (CNNs) has superior performance
but often requires additional high-SNR data for supervising the training of
CNNs, which reduces the practical feasibility. We develop a self-supervised
deep learning-based method entitled "SDnDTI" for denoising DTI data, which does
not require additional high-SNR data for training. Specifically, SDnDTI divides
multi-directional DTI data into many subsets, each consisting of six DWI
volumes along optimally chosen diffusion-encoding directions that are robust to
noise for the tensor fitting, and then synthesizes DWI volumes along all
acquired directions from the diffusion tensors fitted using each subset of the
data as the input data of CNNs. On the other hand, SDnDTI synthesizes DWI
volumes along acquired diffusion-encoding directions with higher SNR from the
diffusion tensors fitted using all acquired data as the training target. SDnDTI
removes noise from each subset of synthesized DWI volumes using a deep
3-dimensional CNN to match the quality of the cleaner target DWI volumes and
achieves even higher SNR by averaging all subsets of denoised data. The
denoising efficacy of SDnDTI is demonstrated on two datasets provided by the
Human Connectome Project (HCP) and the Lifespan HCP in Aging. The SDnDTI
results preserve image sharpness and textural details and substantially improve
upon those from the raw data. The results of SDnDTI are comparable to those
from supervised learning-based denoising and outperform those from
state-of-the-art conventional denoising algorithms including BM4D, AONLM and
MPPCA.
- Abstract(参考訳): 拡散強調画像(DWI)のノイズは拡散テンソル磁気共鳴画像(DTI)由来の微細構造パラメータの精度と精度を低下させ、改良された信号対雑音比(SNR)を達成するための長い取得時間をもたらす。
畳み込みニューラルネットワーク(cnns)を用いた深層学習に基づく画像デノイジングは優れた性能を持つが、cnnのトレーニングを監視するために高snrデータが必要である場合が多く、実用性が低下する。
本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
具体的には、多方向dtiデータを、テンソルフィッティングのノイズにロバストな最適な選択された拡散エンコーディング方向に沿って6つのdwiボリュームからなる多くのサブセットに分割し、データの各サブセットをcnnの入力データとして使用する拡散テンソルから取得したすべての方向に沿ってdwiボリュームを合成する。
一方、SDnDTIは、取得したデータをすべてトレーニング対象とする拡散テンソルから高SNRの拡散符号化方向に沿ってDWIボリュームを合成する。
SDnDTIは、深度3次元CNNを用いて合成DWIボリュームの各サブセットからノイズを取り除き、よりクリーンなターゲットDWIボリュームの品質に適合し、さらに高SNRを実現する。
SDnDTIの有効性は、Human Connectome Project(HCP)とLifespan HCP(Aging)の2つのデータセットで実証されている。
SDnDTIの結果は画像のシャープさとテクスチャの細部を保存し、生データから大幅に改善する。
sdndtiの結果は、bm4d、aonlm、mppcaなどの最先端のデノイジングアルゴリズムよりも、教師付き学習に基づくデノイジングの結果に匹敵する。
関連論文リスト
- AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with
Detail-Preserving Model-based Deep Learning [15.504457554152513]
本稿では,6つの測定値のみで高速かつ正確なDTIを実現するための新しい手法であるAID-DTI(Accelerating hIgh fiDelity Diffusion Imaging)を提案する。
AID-DTIは、新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。
HCP(Human Connectome Project)データによる実験結果から,提案手法は細粒度でDTIパラメータマップを推定し,定量的かつ定性的に3つの最先端手法を上回ることを示した。
論文 参考訳(メタデータ) (2024-01-03T11:54:48Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳(メタデータ) (2023-05-23T12:56:01Z) - 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) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳(メタデータ) (2022-09-26T03:28:23Z) - Trainable Joint Bilateral Filters for Enhanced Prediction Stability in
Low-dose CT [7.879949714759592]
低線量CT (low-dose Computed Tomography) denoising algorithm) は, 日常的なCT取得において, 患者線量を減らすことを目的としている。
深層学習(DL)に基づく手法が導入された。
本稿では, 畳み込み型DLベースデノナイジングネットワークと組み合わせた, トレーニング可能な連立フィルタ(JBF)の組み合わせによるハイブリッドデノナイジング手法を提案する。
論文 参考訳(メタデータ) (2022-07-15T09:30:32Z) - Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in
Computed Tomography [7.405782253585339]
本研究は,両側フィルタリングの考え方に基づくオープンソースのCT復号化フレームワークを提案する。
本稿では、深層学習パイプラインに組み込むことができ、純粋にデータ駆動方式で最適化できる二元フィルタを提案する。
X線顕微鏡による骨データ(0.7053と33.10)と、SSIMとPSNRによる2016 Low Dose CT Grand Challengeデータセット(0.9674と43.07)のデノイング性能が達成されている。
論文 参考訳(メタデータ) (2022-01-25T14:33:56Z) - Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。
ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
論文 参考訳(メタデータ) (2021-01-19T16:37:57Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Deep Time Delay Neural Network for Speech Enhancement with Full Data
Learning [60.20150317299749]
本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。
トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
論文 参考訳(メタデータ) (2020-11-11T06:32:37Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-04T08:36:27Z) - SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with
deep learning [12.797957906141363]
拡散重み付き画像(DWI)と対応するテンソル導出量マップとの非線形関係を学習するためのSuperDTIを提案する。
SuperDTIは、DWIのノイズや動きに非常に敏感なテンソルフィッティング手順をバイパスする。
論文 参考訳(メタデータ) (2020-02-03T22:15:27Z)
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。