Fugu-MT 論文翻訳(概要): Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising

論文の概要: Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising

arxiv url: http://arxiv.org/abs/2207.02377v1
Date: Wed, 6 Jul 2022 00:58:11 GMT
ステータス: 処理完了
システム内更新日: 2022-07-08 01:51:21.530396
Title: Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising
Title（参考訳）: 教師なし低用量CTのためのパッチワイド深度学習
Authors: Chanyong Jung, Joonhyung Lee, Sunkyoung You, Jong Chul Ye
Abstract要約: パッチワイド・ディープ・メトリック・ラーニングを用いた低用量CT再構成のための新しい教師なし学習手法を提案する。鍵となる考え方は、同じ解剖学的構造を共有するイメージパッチの正のペアを引いて、互いに同じノイズレベルを持つ負のペアをプッシュすることで、埋め込み空間を学習することである。実験結果から,CT数シフトを伴わない高品質な復号化画像の作成において,深度検定学習が重要な役割を担っていることが確認された。
参考スコア（独自算出の注目度）: 33.706959549595496
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The acquisition conditions for low-dose and high-dose CT images are usually different, so that the shifts in the CT numbers often occur. Accordingly, unsupervised deep learning-based approaches, which learn the target image distribution, often introduce CT number distortions and result in detrimental effects in diagnostic performance. To address this, here we propose a novel unsupervised learning approach for lowdose CT reconstruction using patch-wise deep metric learning. The key idea is to learn embedding space by pulling the positive pairs of image patches which shares the same anatomical structure, and pushing the negative pairs which have same noise level each other. Thereby, the network is trained to suppress the noise level, while retaining the original global CT number distributions even after the image translation. Experimental results confirm that our deep metric learning plays a critical role in producing high quality denoised images without CT number shift.
Abstract（参考訳）: 低線量・高線量CT画像の取得条件は通常異なるため、CT数の変化がしばしば発生する。したがって、目標画像分布を学習する教師なし深層学習に基づくアプローチでは、ct番号の歪みをしばしば導入し、診断性能に悪影響を及ぼす。そこで本稿では,パッチワイズ・ディープメトリック・ラーニングを用いた低線量ct再構成のための教師なし学習手法を提案する。重要なアイデアは、同じ解剖学的構造を共有する正のイメージパッチのペアを引っ張り、同じノイズレベルを持つ負のペアを互いに押すことで、埋め込み空間を学ぶことである。これにより、ネットワークは、画像翻訳後も元のグローバルCT数分布を保持しながら、ノイズレベルを抑えるように訓練される。実験の結果,ctナンバーシフトを伴わずに高画質の分別画像を生成する上で,深部メトリック学習が重要な役割を担っていることがわかった。

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)
Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。本手法は,多視点グローバル情報を自然に学習することができる。
論文参考訳（メタデータ） (2023-07-24T14:43:07Z)
QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose CT Image Denoising by Local Similarity Among Unpaired Data [10.745277107045949]
本稿では,LDCT画像復調のためのADNの強化を目的とした,準教師付き学習と呼ばれる新しい学習モードを提案する。提案手法は、教師付き学習モードやセミ教師付き学習モードとは(互換性はあるが)異なるものであり、既存のネットワークを変更することで容易に実装できる。実験結果から,本手法は騒音抑制法や文脈忠実度の観点から,最先端の手法と競合することが示された。
論文参考訳（メタデータ） (2023-02-08T07:19:13Z)
Self Supervised Low Dose Computed Tomography Image Denoising Using Invertible Network Exploiting Inter Slice Congruence [20.965610734723636]
LDCT画像とNDCT画像のペア化の必要性を軽減するために, 自己監督型低用量CTデノベーション法を提案する。我々は、ノイズスライスと隣接する2つのノイズスライスの平均の2乗距離を最小化するために、可逆ニューラルネットワークを訓練した。
論文参考訳（メタデータ） (2022-11-03T07:16:18Z)
PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文参考訳（メタデータ） (2022-05-24T12:14:26Z)
Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文参考訳（メタデータ） (2021-12-01T06:46:38Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Noise Conscious Training of Non Local Neural Network powered by Self Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
論文参考訳（メタデータ） (2020-11-11T10:44:52Z)
Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose CT Denoising [0.0]
低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
論文参考訳（メタデータ） (2020-06-26T00:35:26Z)
Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。