論文の概要: De-Noising of Photoacoustic Microscopy Images by Deep Learning

• arxiv url: http://arxiv.org/abs/2201.04302v1
• Date: Wed, 12 Jan 2022 05:13:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 15:19:41.447707
• Title: De-Noising of Photoacoustic Microscopy Images by Deep Learning
• Title（参考訳）: 深層学習による光音響顕微鏡画像のデノイズ化
• Authors: Da He, Jiasheng Zhou, Xiaoyu Shang, Jiajia Luo, and Sung-Liang Chen
• Abstract要約: 光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。 そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As a hybrid imaging technology, photoacoustic microscopy (PAM) imaging suffers from noise due to the maximum permissible exposure of laser intensity, attenuation of ultrasound in the tissue, and the inherent noise of the transducer. De-noising is a post-processing method to reduce noise, and PAM image quality can be recovered. However, previous de-noising techniques usually heavily rely on mathematical priors as well as manually selected parameters, resulting in unsatisfactory and slow de-noising performance for different noisy images, which greatly hinders practical and clinical applications. In this work, we propose a deep learning-based method to remove complex noise from PAM images without mathematical priors and manual selection of settings for different input images. An attention enhanced generative adversarial network is used to extract image features and remove various noises. The proposed method is demonstrated on both synthetic and real datasets, including phantom (leaf veins) and in vivo (mouse ear blood vessels and zebrafish pigment) experiments. The results show that compared with previous PAM de-noising methods, our method exhibits good performance in recovering images qualitatively and quantitatively. In addition, the de-noising speed of 0.016 s is achieved for an image with $256\times256$ pixels. Our approach is effective and practical for the de-noising of PAM images.
• Abstract（参考訳）: ハイブリッドイメージング技術として、光音響顕微鏡(PAM)イメージングは、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。 ノイズを低減させる後処理であり、pam画像品質を回復することができる。 しかし、従来の非ノイズ化技術は通常、数学的な優先順位と手動で選択したパラメータに大きく依存しており、様々なノイズ画像に対して不満足で遅い非ノイズ化性能をもたらし、実用的および臨床的な応用を妨げている。 本研究では,PAM画像からの複雑なノイズを数学的に先行しないで除去し,異なる入力画像の設定を手動で選択する深層学習に基づく手法を提案する。 画像の特徴を抽出し、様々なノイズを除去するために注意強化生成逆ネットワークが使用される。 本手法は, ファントム (葉脈) や生体内 (マウス耳血管およびゼブラフィッシュ色素) 実験を含む, 合成データと実データの両方で実証された。 その結果,従来のPAM復調法と比較して,画像の質的,定量的な復元に優れた性能を示した。 さらに、0.016秒のノイズ除去速度は、256\times256$ピクセルの画像に対して達成される。 提案手法は,PAM画像のノイズ除去に有効かつ実用的である。

関連論文リスト

• Speckle Noise Reduction in Ultrasound Images using Denoising Auto-encoder with Skip Connection [0.19116784879310028]
  超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。 これにより、画像の特徴を抽出、認識、分析することがより困難になる。 研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
  論文  参考訳（メタデータ） (2024-03-05T08:08:59Z)
• Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
  従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。 本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。 スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
  論文  参考訳（メタデータ） (2023-06-12T21:53:32Z)
• Noise2SR: Learning to Denoise from Super-Resolved Single Noisy Fluorescence Image [9.388253054229155]
  ノイズ2SRは、異なる次元の雑音のペア画像で訓練するために設計されている。 より効率的に自己監督され、単一ノイズの観測からより多くの画像の詳細を復元することができる。 我々は、ノイズ2SRは、他の種類の科学的画像品質を改善する可能性があると想定している。
  論文  参考訳（メタデータ） (2022-09-14T04:44:41Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors [16.741462523436848]
  本稿では,非教師付き超音波スペックル低減法と画像復調法を提案する。 この方法は、他の(教師なし)超音波復調法(NLMおよびOBNLM)を定量的および定性的に上回る。
  論文  参考訳（メタデータ） (2021-12-24T17:21:24Z)
• 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)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• A CNN-Based Blind Denoising Method for Endoscopic Images [19.373025463383385]
  低画質の内視鏡画像が多数存在するのは,GI領域の照明や複雑な環境が限られているためである。 本稿では,内視鏡画像のための畳み込み型ブラインドデノイングネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-16T03:11:11Z)
• 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。