論文の概要: Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism
- arxiv url: http://arxiv.org/abs/2112.00729v1
- Date: Wed, 1 Dec 2021 06:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 17:32:46.390441
- Title: Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism
- Title（参考訳）: コントラスト正規化機構を用いた事前知識伝達技術を用いた全身低線量ct画像の雑音化
- Authors: Minghan Fu, Yanhua Duan, Zhaoping Cheng, Wenjian Qin, Ying Wang, Dong
Liang, Zhanli Hu
- Abstract要約: 放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
- 参考スコア（独自算出の注目度）: 4.998352078907441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing the radiation exposure for patients in Total-body CT scans has
attracted extensive attention in the medical imaging community. Given the fact
that low radiation dose may result in increased noise and artifacts, which
greatly affected the clinical diagnosis. To obtain high-quality Total-body
Low-dose CT (LDCT) images, previous deep-learning-based research work has
introduced various network architectures. However, most of these methods only
adopt Normal-dose CT (NDCT) images as ground truths to guide the training of
the denoising network. Such simple restriction leads the model to less
effectiveness and makes the reconstructed images suffer from over-smoothing
effects. In this paper, we propose a novel intra-task knowledge transfer method
that leverages the distilled knowledge from NDCT images to assist the training
process on LDCT images. The derived architecture is referred to as the
Teacher-Student Consistency Network (TSC-Net), which consists of the teacher
network and the student network with identical architecture. Through the
supervision between intermediate features, the student network is encouraged to
imitate the teacher network and gain abundant texture details. Moreover, to
further exploit the information contained in CT scans, a contrastive
regularization mechanism (CRM) built upon contrastive learning is
introduced.CRM performs to pull the restored CT images closer to the NDCT
samples and push far away from the LDCT samples in the latent space. In
addition, based on the attention and deformable convolution mechanism, we
design a Dynamic Enhancement Module (DEM) to improve the network transformation
capability.
- Abstract（参考訳）: 全身CTにおける放射線被曝率の低下は, 医用画像群で広く注目されている。
放射線線量が少ないとノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全体低線量CT(LDCT)画像を得るため,従来のディープラーニング研究は様々なネットワークアーキテクチャを導入している。
しかし,これらの手法の多くは,正規線CT(NDCT)画像のみを根本真実として用いて,認知ネットワークのトレーニングを指導している。
このような単純な制限により、モデルの有効性は低下し、再構成された画像は過度なスムース効果に悩まされる。
本稿では,NDCT画像から抽出した知識を利用してLDCT画像のトレーニングプロセスを支援する新しいタスク内知識伝達手法を提案する。
派生したアーキテクチャはTeacher-Student Consistency Network (TSC-Net)と呼ばれ、同じアーキテクチャを持つ教師ネットワークと学生ネットワークで構成されている。
中間的特徴間の監督を通じて、学生ネットワークは教師ネットワークを模倣し、豊富なテクスチャの詳細を得るよう奨励される。
さらに、CTスキャンに含まれる情報をさらに活用するために、コントラスト学習に基づくコントラスト正規化機構(CRM)を導入し、復元されたCT画像をNDCTサンプルに近づけ、潜在空間内のLDCTサンプルから遠くへ押し出す。
さらに,注意と変形可能な畳み込み機構に基づき,ネットワーク変換能力を向上させるための動的拡張モジュール(dem)を設計する。
関連論文リスト
- 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) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T10:09:01Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising [33.706959549595496]
パッチワイド・ディープ・メトリック・ラーニングを用いた低用量CT再構成のための新しい教師なし学習手法を提案する。
鍵となる考え方は、同じ解剖学的構造を共有するイメージパッチの正のペアを引いて、互いに同じノイズレベルを持つ負のペアをプッシュすることで、埋め込み空間を学習することである。
実験結果から,CT数シフトを伴わない高品質な復号化画像の作成において,深度検定学習が重要な役割を担っていることが確認された。
論文 参考訳（メタデータ） (2022-07-06T00:58:11Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-12-23T19:20:38Z) - 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) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - MANAS: Multi-Scale and Multi-Level Neural Architecture Search for
Low-Dose CT Denoising [15.164252252022505]
LDCTデノイジング用マルチスケール・マルチレベルNAS「MANAS」を提案します。
一方,提案されたmanasは,異なるスケールセルから抽出された特徴を融合し,マルチスケール画像構造の詳細をキャプチャする。
一方,提案手法では,ハイブリッドセルとネットワークレベルの構造を探索し,性能を向上させることができる。
論文 参考訳（メタデータ） (2021-03-24T05:41:01Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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。