論文の概要: Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images
Using a Convolutional Neural Network and Transfer Learning
- arxiv url: http://arxiv.org/abs/2206.00305v1
- Date: Wed, 1 Jun 2022 08:14:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 13:14:55.083969
- Title: Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images
Using a Convolutional Neural Network and Transfer Learning
- Title(参考訳): 畳み込みニューラルネットワークを用いた拡散重み付き磁気共鳴画像の修正と伝達学習
- Authors: Jakub Jurek, Andrzej Materka, Kamil Ludwisiak, Agata Majos, Kamil
Gorczewski, Kamil Cepuch, Agata Zawadzka
- Abstract要約: 本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を識別する手法を提案する。
提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose a method for denoising diffusion-weighted images
(DWI) of the brain using a convolutional neural network trained on realistic,
synthetic MR data. We compare our results to averaging of repeated scans, a
widespread method used in clinics to improve signal-to-noise ratio of MR
images. To obtain training data for transfer learning, we model, in a
data-driven fashion, the effects of echo-planar imaging (EPI): Nyquist ghosting
and ramp sampling. We introduce these effects to the digital phantom of brain
anatomy (BrainWeb). Instead of simulating pseudo-random noise with a defined
probability distribution, we perform noise scans with a brain-DWI-designed
protocol to obtain realistic noise maps. We combine them with the simulated,
noise-free EPI images. We also measure the Point Spread Function in a DW image
of an AJR-approved geometrical phantom and inter-scan movement in a brain scan
of a healthy volunteer. Their influence on image denoising and averaging of
repeated images is investigated at different signal-to-noise ratio levels.
Denoising performance is evaluated quantitatively using the simulated EPI
images and qualitatively in real EPI DWI of the brain. We show that the
application of our method allows for a significant reduction in scan time by
lowering the number of repeated scans. Visual comparisons made in the acquired
brain images indicate that the denoised single-repetition images are less noisy
than multi-repetition averaged images. We also analyse the convolutional neural
network denoiser and point out the challenges accompanying this denoising
method.
- Abstract(参考訳): 本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を分解する手法を提案する。
MR画像の信号-雑音比を改善するために, 臨床で広く用いられている検査結果と比較した。
移動学習のためのトレーニングデータを得るために,我々は,エコープラナー画像(EPI:Nyquist ghosting and ramp sample)の効果をデータ駆動方式でモデル化した。
これらの効果を脳解剖学(brainweb)のデジタルファントムに紹介する。
疑似ランダムノイズを確率分布でシミュレートする代わりに、脳-DWI設計プロトコルを用いてノイズスキャンを行い、現実的なノイズマップを得る。
それらを、シミュレートされたノイズフリーEPI画像と組み合わせる。
また,健常者の脳スキャンにおいて,AJRが承認した幾何学ファントムのDW画像におけるポイントスプレッド関数を測定した。
異なる信号対雑音比で繰り返し画像のデノージングと平均化に与える影響について検討した。
模擬EPI画像を用いて定量的に評価し,脳の実際のEPI DWIにおいて定性的に評価する。
提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
取得した脳画像の視覚的比較は、復号化単一繰り返し画像が多重反復平均画像よりもノイズが少ないことを示している。
また,畳み込みニューラルネットワークのデノイザーを分析し,このデノイジング手法に伴う課題を指摘する。
関連論文リスト
- A plug-and-play synthetic data deep learning for undersampled magnetic
resonance image reconstruction [15.780203168452443]
アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。
異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
論文 参考訳(メタデータ) (2023-09-13T02:37:19Z) - 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) - 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) - 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) - MR Image Denoising and Super-Resolution Using Regularized Reverse
Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。
当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文 参考訳(メタデータ) (2022-03-23T10:35:06Z) - Speckles-Training-Based Denoising Convolutional Neural Network Ghost
Imaging [5.737427318960774]
DnCNN(Denoising Convolutional Neural Networks)に基づく改良型ゴーストイメージング(GI)手法を提案する。
DnCNNにおける入力(雑音画像)と出力(残留画像)の対応にインスパイアされ、トレーニングを通してスペックルシーケンスと対応するGIの雑音分布のマッピングを構築する。
未知のターゲットを照らすのに同じスペックルシーケンスを使用し、消音ターゲット画像を取得します。
論文 参考訳(メタデータ) (2021-04-07T02:56:57Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳(メタデータ) (2021-01-26T13:00:46Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - 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) - 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。