論文の概要: Investigating the limited performance of a deep-learning-based SPECT denoising approach: An observer-study-based characterization

• arxiv url: http://arxiv.org/abs/2203.01918v1
• Date: Thu, 3 Mar 2022 18:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 17:09:41.055607
• Title: Investigating the limited performance of a deep-learning-based SPECT denoising approach: An observer-study-based characterization
• Title（参考訳）: ディープラーニングに基づくSPECT復調手法の限界性能の検討:オブザーバ-スタディに基づく評価
• Authors: Zitong Yu and Md Ashequr Rahman and Abhinav K. Jha
• Abstract要約: DLに基づく個別信号特性評価手法のタスクベース評価を行った。 CNNベースのデノイザは、ローカウント画像を処理するために訓練された。 従来の研究と同様に, DLに基づく復調法では, 信号検出タスクの性能は向上しなかった。
• 参考スコア（独自算出の注目度）: 16.943040406235024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple objective assessment of image-quality-based studies have reported that several deep-learning-based denoising methods show limited performance on signal-detection tasks. Our goal was to investigate the reasons for this limited performance. To achieve this goal, we conducted a task-based characterization of a DL-based denoising approach for individual signal properties. We conducted this study in the context of evaluating a DL-based approach for denoising SPECT images. The training data consisted of signals of different sizes and shapes within a clustered-lumpy background, imaged with a 2D parallel-hole-collimator SPECT system. The projections were generated at normal and 20% low count level, both of which were reconstructed using an OSEM algorithm. A CNN-based denoiser was trained to process the low-count images. The performance of this CNN was characterized for five different signal sizes and four different SBR by designing each evaluation as an SKE/BKS signal-detection task. Performance on this task was evaluated using an anthropomorphic CHO. As in previous studies, we observed that the DL-based denoising method did not improve performance on signal-detection tasks. Evaluation using the idea of observer-study-based characterization demonstrated that the DL-based denoising approach did not improve performance on the signal-detection task for any of the signal types. Overall, these results provide new insights on the performance of the DL-based denoising approach as a function of signal size and contrast. More generally, the observer study-based characterization provides a mechanism to evaluate the sensitivity of the method to specific object properties and may be explored as analogous to characterizations such as modulation transfer function for linear systems. Finally, this work underscores the need for objective task-based evaluation of DL-based denoising approaches.
• Abstract（参考訳）: 画像品質に基づく複数の客観的評価では、深層学習に基づく認知法が信号検出タスクにおいて限られた性能を示すことが報告されている。 私たちの目標は、この限られたパフォーマンスの理由を調べることです。 この目的を達成するために,dlに基づく個別信号特性の分別手法をタスクベースで評価した。 本研究は, SPECT画像の denoising におけるDL-based approach の評価の文脈において行った。 トレーニングデータは,2次元パラレルホールコリメータspectシステムを用いて撮影された,クラスタ化されたラピー背景内の異なる大きさと形状の信号からなる。 プロジェクションは正常値と20%低い値で生成され、どちらもOSEMアルゴリズムを用いて再構成された。 CNNベースのデノイザは、ローカウント画像を処理するために訓練された。 このCNNの性能は、SKE/BKS信号検出タスクとして各評価を設計することで、5つの異なる信号サイズと4つの異なるSBRで特徴づけられた。 この課題における性能は擬人化調を用いて評価された。 先行研究と同様に,dlに基づく除音法は信号検出タスクの性能を向上しなかった。 オブザーバ・スタディに基づく特徴付けの考え方を用いた評価では,DLに基づく復調手法はいずれかの信号タイプに対する信号検出タスクの性能を向上しなかった。 これらの結果から,信号サイズとコントラストの関数として,DLに基づく denoising 手法の性能に関する新たな知見が得られた。 より一般的には、観察者による評価は、特定の対象特性に対する手法の感度を評価するメカニズムを提供し、線形系に対する変調伝達関数のような特性に類似して研究される。 最後に、この研究はdlベースの分別アプローチを客観的にタスクベースで評価することの必要性を強調する。

関連論文リスト

• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• DEMIST: A deep-learning-based task-specific denoising approach for myocardial perfusion SPECT [17.994633874783144]
  MPI SPECT画像(DEMIST)を識別するタスク固有深層学習手法を提案する。 この手法は、デノゲーションを行う一方で、検出タスクにおけるオブザーバのパフォーマンスに影響を与える特徴を保存するように設計されている。 以上の結果から,MPI SPECTで低位像を呈示するDEMISTのさらなる臨床評価が示唆された。
  論文  参考訳（メタデータ） (2023-06-07T08:40:25Z)
• 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)
• Need for Objective Task-based Evaluation of Deep Learning-Based Denoising Methods: A Study in the Context of Myocardial Perfusion SPECT [11.559405600109415]
  本研究は,FoMsによる評価が客観的な臨床的タスクに基づく評価と一致しているかどうかを検討する。 DL-based denoising(DL-based denoising)の効果をFoMsとAUCを用いて評価した。 その結果,DLに基づく認知的アプローチの客観的なタスクベース評価の必要性が示唆された。
  論文  参考訳（メタデータ） (2023-03-03T17:51:08Z)
• 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)
• Learning from Training Dynamics: Identifying Mislabeled Data Beyond Manually Designed Features [43.41573458276422]
  LSTMネットワークを例として,ノイズ検出を応用した新しい学習ベースソリューションを提案する。 提案手法は、合成ラベル雑音を用いたデータセットを用いて、教師あり方式でノイズ検出器を訓練する。 提案手法は, 各種データセットの誤ラベルサンプルを, さらなる適応を伴わずに, 精度良く検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-19T09:39:30Z)
• Robust Time Series Denoising with Learnable Wavelet Packet Transform [1.370633147306388]
  多くのアプリケーションでは、後の分析や学習タスクの前に、信号の復号化が最初の前処理ステップであることが多い。 本稿では,ウェーブレットパケット変換の学習可能なバージョンである信号処理にインスパイアされたディープ・ラーニング・デノイング・モデルを適用することを提案する。 本稿では,提案アルゴリズムが信号処理手法の普遍性とディープラーニング手法の学習能力にどのように関係しているかを示す。
  論文  参考訳（メタデータ） (2022-06-13T13:05:58Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。