論文の概要: Deep neural networks-based denoising models for CT imaging and their efficacy

• arxiv url: http://arxiv.org/abs/2111.09539v1
• Date: Thu, 18 Nov 2021 06:18:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-19 22:10:26.934719
• Title: Deep neural networks-based denoising models for CT imaging and their efficacy
• Title（参考訳）: 深層ニューラルネットワークを用いたct画像化モデルとその有効性
• Authors: Prabhat KC, Rongping Zeng, M. Mehdi Farhangi, Kyle J. Myers
• Abstract要約: 我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。 我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。 各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
• 参考スコア（独自算出の注目度）: 0.3058685580689604
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Most of the Deep Neural Networks (DNNs) based CT image denoising literature shows that DNNs outperform traditional iterative methods in terms of metrics such as the RMSE, the PSNR and the SSIM. In many instances, using the same metrics, the DNN results from low-dose inputs are also shown to be comparable to their high-dose counterparts. However, these metrics do not reveal if the DNN results preserve the visibility of subtle lesions or if they alter the CT image properties such as the noise texture. Accordingly, in this work, we seek to examine the image quality of the DNN results from a holistic viewpoint for low-dose CT image denoising. First, we build a library of advanced DNN denoising architectures. This library is comprised of denoising architectures such as the DnCNN, U-Net, Red-Net, GAN, etc. Next, each network is modeled, as well as trained, such that it yields its best performance in terms of the PSNR and SSIM. As such, data inputs (e.g. training patch-size, reconstruction kernel) and numeric-optimizer inputs (e.g. minibatch size, learning rate, loss function) are accordingly tuned. Finally, outputs from thus trained networks are further subjected to a series of CT bench testing metrics such as the contrast-dependent MTF, the NPS and the HU accuracy. These metrics are employed to perform a more nuanced study of the resolution of the DNN outputs' low-contrast features, their noise textures, and their CT number accuracy to better understand the impact each DNN algorithm has on these underlying attributes of image quality.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)をベースとしたCT画像のほとんどが、DNNがRMSE、PSNR、SSIMなどのメトリクスで従来の反復法よりも優れていることを示している。 多くの場合、同じメトリクスを使用して、低用量入力によるDNNの結果は、高用量入力と同等であることが示される。 しかし、これらの指標は、DNN結果が微妙な病変の視認性を維持するか、ノイズテクスチャなどのCT画像特性を変更するかは明らかにしない。 そこで本研究では,低線量ct画像に対する総合的な視点から,dnn結果の画質について検討する。 まず,先進的なDNN記述型アーキテクチャのライブラリを構築する。 このライブラリは、DnCNN、U-Net、Red-Net、GANなどのアーキテクチャを記述している。 次に、各ネットワークはトレーニングと同時にモデル化され、PSNRとSSIMの点で最高の性能が得られる。 これにより、データ入力(例えば、パッチサイズ、再構成カーネル)と数値最適化入力(例えば、ミニバッチサイズ、学習率、損失関数)が調整される。 最後に、トレーニングされたネットワークからの出力は、コントラスト依存MTF、NPS、HU精度などの一連のCTベンチテストメトリクスにさらに従属する。 これらのメトリクスは、DNN出力の低コントラスト特性、ノイズテクスチャ、CT番号の精度をより微妙に調べて、各DNNアルゴリズムが画像品質の基本的な特性に与える影響をよりよく理解するために使用される。

関連論文リスト

• QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose CT Image Denoising by Local Similarity Among Unpaired Data [10.745277107045949]
  本稿では,LDCT画像復調のためのADNの強化を目的とした,準教師付き学習と呼ばれる新しい学習モードを提案する。 提案手法は、教師付き学習モードやセミ教師付き学習モードとは(互換性はあるが)異なるものであり、既存のネットワークを変更することで容易に実装できる。 実験結果から,本手法は騒音抑制法や文脈忠実度の観点から,最先端の手法と競合することが示された。
  論文  参考訳（メタデータ） (2023-02-08T07:19:13Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• 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)
• Limited Parameter Denoising for Low-dose X-ray Computed Tomography Using Deep Reinforcement Learning [7.909848251752742]
  我々は,解釈可能な振る舞いを持つ新しいCTデノベーションフレームワークを導入し,限られたデータで有用な結果を提供する。 マヨクリニック TCIA データセットと AAPM Low Dose CT Grand Challenge の腹部CTを行った。 その結果,PSNRは28.53から28.93に,SSIMは0.98952から0.9204に向上した。
  論文  参考訳（メタデータ） (2022-03-28T14:30:43Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Convolutional versus Self-Organized Operational Neural Networks for Real-World Blind Image Denoising [25.31981236136533]
  初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。 ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
  論文  参考訳（メタデータ） (2021-03-04T14:49:17Z)
• 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)
• EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising [27.86840312836051]
  We propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN)。 我々は、抽出したエッジ情報を融合し、エンドツーエンドの画像デノーミングを実現するために、密接な接続を持つモデルを構築した。 提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズの抑制に優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-30T23:12:09Z)
• DCT-SNN: Using DCT to Distribute Spatial Information over Time for Learning Low-Latency Spiking Neural Networks [7.876001630578417]
  Spiking Neural Networks(SNN)は、従来のディープラーニングフレームワークに代わる有望な選択肢を提供する。 SNNは高い推論遅延に悩まされており、デプロイメントの大きなボトルネックとなっている。 本稿では、離散コサイン変換(DCT)を用いて、推論に必要な時間ステップ数を削減できるスケーラブルな時間ベースの符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-10-05T05:55:34Z)
• GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-20T10:09:27Z)

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。