論文の概要: A Noise-level-aware Framework for PET Image Denoising

• arxiv url: http://arxiv.org/abs/2203.08034v1
• Date: Tue, 15 Mar 2022 16:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 18:49:38.825918
• Title: A Noise-level-aware Framework for PET Image Denoising
• Title（参考訳）: PET画像のノイズレベル認識フレームワーク
• Authors: Ye Li, Jianan Cui, Junyu Chen, Guodong Zeng, Scott Wollenweber, Floris Jansen, Se-In Jang, Kyungsang Kim, Kuang Gong and Quanzheng Li
• Abstract要約: PETでは、異なる身体領域に存在する相対的(信号依存)ノイズの量は著しく異なる。 現在の深層学習に基づくPET画像復調法は、画像の外観のみに基づいて主に訓練されている。 ローカルノイズレベルをDCNNに埋め込むことのできる雑音レベル認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.496668861245897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In PET, the amount of relative (signal-dependent) noise present in different body regions can be significantly different and is inherently related to the number of counts present in that region. The number of counts in a region depends, in principle and among other factors, on the total administered activity, scanner sensitivity, image acquisition duration, radiopharmaceutical tracer uptake in the region, and patient local body morphometry surrounding the region. In theory, less amount of denoising operations is needed to denoise a high-count (low relative noise) image than images a low-count (high relative noise) image, and vice versa. The current deep-learning-based methods for PET image denoising are predominantly trained on image appearance only and have no special treatment for images of different noise levels. Our hypothesis is that by explicitly providing the local relative noise level of the input image to a deep convolutional neural network (DCNN), the DCNN can outperform itself trained on image appearance only. To this end, we propose a noise-level-aware framework denoising framework that allows embedding of local noise level into a DCNN. The proposed is trained and tested on 30 and 15 patient PET images acquired on a GE Discovery MI PET/CT system. Our experiments showed that the increases in both PSNR and SSIM from our backbone network with relative noise level embedding (NLE) versus the same network without NLE were statistically significant with p<0.001, and the proposed method significantly outperformed a strong baseline method by a large margin.
• Abstract（参考訳）: PETでは、異なる身体領域に存在する相対的(信号依存)ノイズの量は著しく異なり、その領域に存在するカウントの数と本質的に関連している。 ある領域におけるカウントの数は、原則として、全投与活動、スキャナ感受性、画像取得期間、その領域における放射性医薬品トレーサの取り込み、およびその領域を取り巻く患者の局所身体形態計測に依存する。 理論的には、低カウント(高相対ノイズ)画像よりも高カウント画像(低相対ノイズ)をデノベーションするために、デノエーション操作の量が少なく、その逆も少なくなる。 現在の深層学習に基づくpet画像分類法は主に画像の出現のみを訓練し,ノイズレベルの異なる画像に対して特別な処理を行なわない。 我々の仮説は、入力画像の局所的相対的ノイズレベルを深部畳み込みニューラルネットワーク(DCNN)に明示的に与えることによって、DCNNは画像の外観のみを訓練することよりも優れているというものである。 そこで本研究では,局所雑音レベルをDCNNに埋め込むことのできる雑音レベル対応フレームワークを提案する。 GE Discovery MI PET/CTシステムで取得した30と15の患者PET画像に対して,提案手法の訓練と試験を行った。 実験の結果,NLEを含まない同一ネットワークに対してPSNRとSSIMの増大はp<0.001と統計的に有意であり,提案手法は強いベースライン法を大きなマージンで大幅に上回った。

関連論文リスト

• Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
  近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
  論文  参考訳（メタデータ） (2024-11-16T16:24:28Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis [23.11994688706024]
  本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。 この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。 提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
  論文  参考訳（メタデータ） (2020-06-28T05:25:50Z)
• 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。