論文の概要: Limited Parameter Denoising for Low-dose X-ray Computed Tomography Using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2203.14794v1
• Date: Mon, 28 Mar 2022 14:30:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 14:35:00.965778
• Title: Limited Parameter Denoising for Low-dose X-ray Computed Tomography Using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いた低線量X線CTのための有限パラメータDenoising
• Authors: Mayank Patwari, Ralf Gutjahr, Rainer Raupach, Andreas Maier
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.909848251752742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of deep learning has successfully solved several problems in the field of medical imaging. Deep learning has been applied to the CT denoising problem successfully. However, the use of deep learning requires large amounts of data to train deep convolutional networks (CNNs). Moreover, due to large parameter count, such deep CNNs may cause unexpected results. In this study, we introduce a novel CT denoising framework, which has interpretable behaviour, and provides useful results with limited data. We employ bilateral filtering in both the projection and volume domains to remove noise. To account for non-stationary noise, we tune the $\sigma$ parameters of the volume for every projection view, and for every volume pixel. The tuning is carried out by two deep CNNs. Due to impracticality of labelling, the two deep CNNs are trained via a Deep-Q reinforcement learning task. The reward for the task is generated by using a custom reward function represented by a neural network. Our experiments were carried out on abdominal scans for the Mayo Clinic TCIA dataset, and the AAPM Low Dose CT Grand Challenge. Our denoising framework has excellent denoising performance increasing the PSNR from 28.53 to 28.93, and increasing the SSIM from 0.8952 to 0.9204. We outperform several state-of-the-art deep CNNs, which have several orders of magnitude higher number of parameters (p-value (PSNR) = 0.000, p-value (SSIM) = 0.000). Our method does not introduce any blurring, which is introduced by MSE loss based methods, or any deep learning artifacts, which are introduced by WGAN based models. Our ablation studies show that parameter tuning and using our reward network results in the best possible results.
• Abstract（参考訳）: 深層学習の利用は、医用画像の分野でいくつかの問題を解決することに成功している。 深層学習はctの雑音化問題にうまく適用されている。 しかし、深層学習は、深層畳み込みネットワーク(CNN)を訓練するために大量のデータを必要とする。 さらに、パラメータ数が大きいため、このような深いCNNは予期せぬ結果をもたらす可能性がある。 本研究では,解釈可能な振る舞いを持ち,限られたデータで有用な結果を提供する新しいCTデノナイズフレームワークを提案する。 ノイズ除去のために、プロジェクション領域とボリューム領域の両方に両側フィルタリングを用いる。 非定常雑音を説明するために、投影ビュー毎に、および各ボリュームピクセルに対して、ボリュームの$\sigma$パラメータをチューニングする。 チューニングは2つのディープCNNによって実行される。 ラベル付けの非現実性のため、2つのディープCNNはDeep-Q強化学習タスクを介して訓練される。 タスクに対する報酬は、ニューラルネットワークで表されるカスタム報酬関数を使用して生成される。 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。 我々は,p値 (PSNR) = 0.000, p値 (SSIM) = 0.000 という数桁高いパラメータ数を持つ最先端の CNN を数桁上回っている。 本手法では,MSE損失に基づく手法によって導入されたぼやけや,WGANに基づくモデルによって導入された深層学習アーティファクトは一切導入しない。 我々のアブレーション研究は、パラメータチューニングと報酬ネットワークの利用が最良の結果をもたらすことを示している。

関連論文リスト

• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• 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)
• Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography [7.405782253585339]
  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。
  論文  参考訳（メタデータ） (2022-01-25T14:33:56Z)
• Deep neural networks-based denoising models for CT imaging and their efficacy [0.3058685580689604]
  我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。 我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。 各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
  論文  参考訳（メタデータ） (2021-11-18T06:18:26Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising [27.86840312836051]
  We propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN)。 我々は、抽出したエッジ情報を融合し、エンドツーエンドの画像デノーミングを実現するために、密接な接続を持つモデルを構築した。 提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズの抑制に優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-30T23:12:09Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
  RSNA頭蓋内出血検出のためのシステムについて紹介する。 提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。 最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
  論文  参考訳（メタデータ） (2020-08-01T17:28:25Z)
• Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization [7.909848251752742]
  現在の臨床試験では,CT画像のノイズ低減に反復的再構成法が用いられている。 深層学習法はCT画像のノイズ化に成功している。 本稿では,JBF (Joint Bilateral Filter) を用いてCT画像の識別を行う。
  論文  参考訳（メタデータ） (2020-07-09T13:17:36Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。