Fugu-MT 論文翻訳(概要): Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography

論文の概要: Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography

arxiv url: http://arxiv.org/abs/2201.10345v1
Date: Tue, 25 Jan 2022 14:33:56 GMT
ステータス: 処理完了
システム内更新日: 2022-01-26 22:28:09.390391
Title: Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography
Title（参考訳）: 超低パラメータ雑音化 -ctによる両側フィルタ層の訓練-
Authors: Fabian Wagner, Mareike Thies, Mingxuan Gu, Yixing Huang, Sabrina Pechmann, Mayank Patwari, Stefan Ploner, Oliver Aust, Stefan Uderhardt, Georg Schett, Silke Christiansen, Andreas Maier
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.405782253585339
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computed tomography is widely used as an imaging tool to visualize three-dimensional structures with expressive bone-soft tissue contrast. However, CT resolution and radiation dose are tightly entangled, highlighting the importance of low-dose CT combined with sophisticated denoising algorithms. Most data-driven denoising techniques are based on deep neural networks and, therefore, contain hundreds of thousands of trainable parameters, making them incomprehensible and prone to prediction failures. Developing understandable and robust denoising algorithms achieving state-of-the-art performance helps to minimize radiation dose while maintaining data integrity. This work presents an open-source CT denoising framework based on the idea of bilateral filtering. We propose a bilateral filter that can be incorporated into a deep learning pipeline and optimized in a purely data-driven way by calculating the gradient flow toward its hyperparameters and its input. Denoising in pure image-to-image pipelines and across different domains such as raw detector data and reconstructed volume, using a differentiable backprojection layer, is demonstrated. Although only using three spatial parameters and one range parameter per filter layer, the proposed denoising pipelines can compete with deep state-of-the-art denoising architectures with several hundred thousand parameters. Competitive denoising performance is achieved on x-ray microscope bone data (0.7053 and 33.10) and the 2016 Low Dose CT Grand Challenge dataset (0.9674 and 43.07) in terms of SSIM and PSNR. Due to the extremely low number of trainable parameters with well-defined effect, prediction reliance and data integrity is guaranteed at any time in the proposed pipelines, in contrast to most other deep learning-based denoising architectures.
Abstract（参考訳）: CTは3次元構造を表現型骨軟組織コントラストで可視化する画像ツールとして広く用いられている。しかし,CTの分解能と放射線照射量は強く絡み合っており,高用量CTと高度な復調アルゴリズムの併用が重要である。ほとんどのデータ駆動分別手法はディープニューラルネットワークに基づいており、数十万のトレーニング可能なパラメータを含んでいるため、理解不能で、予測失敗に陥りやすい。最先端のパフォーマンスを実現する、理解可能でロバストな分別アルゴリズムの開発は、データの完全性を維持しながら、放射線量を最小限に抑えるのに役立つ。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記述フレームワークを提案する。深層学習パイプラインに組み込むことができ、過パラメータへの勾配流とその入力を計算し、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。画像から画像への純粋なパイプラインと、生の検出器データや再構成されたボリュームなどの異なるドメインをまたいで、微分可能なバックプロジェクション層を用いて分断する。フィルタ層ごとに3つの空間パラメータと1つのレンジパラメータしか使用していないが、提案したデノナイジングパイプラインは、数十万のパラメータを持つ最先端のデノナイジングアーキテクチャと競合することができる。 X線顕微鏡の骨データ (0.7053, 33.10) と2016年の低線CTグランドチャレンジデータセット (0.9674, 43.07) でSSIMとPSNRを比較検討した。十分に定義された効果を持つトレーニング可能なパラメータの数が極めて少ないため、予測の信頼性とデータの完全性は、他のディープラーニングベースのデノイジングアーキテクチャとは対照的に、提案されたパイプラインでいつでも保証される。

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)
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)
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)
Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文参考訳（メタデータ） (2023-05-17T13:56:48Z)
Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
論文参考訳（メタデータ） (2023-04-21T09:30:22Z)
On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting [6.450514665591633]
低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
論文参考訳（メタデータ） (2022-11-02T13:37:59Z)
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)
Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks [6.167259271197635]
ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
論文参考訳（メタデータ） (2020-05-19T21:44:07Z)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)
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。