論文の概要: Trainable Joint Bilateral Filters for Enhanced Prediction Stability in
Low-dose CT
- arxiv url: http://arxiv.org/abs/2207.07368v1
- Date: Fri, 15 Jul 2022 09:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 19:45:31.154301
- Title: Trainable Joint Bilateral Filters for Enhanced Prediction Stability in
Low-dose CT
- Title（参考訳）: 低線量CTの予測安定性向上のためのトレーニング可能な両側フィルタ
- Authors: Fabian Wagner and Mareike Thies and Felix Denzinger and Mingxuan Gu
and Mayank Patwari and Stefan Ploner and Noah Maul and Laura Pfaff and Yixing
Huang and Andreas Maier
- Abstract要約: 低線量CT (low-dose Computed Tomography) denoising algorithm) は, 日常的なCT取得において, 患者線量を減らすことを目的としている。
深層学習(DL)に基づく手法が導入された。
本稿では, 畳み込み型DLベースデノナイジングネットワークと組み合わせた, トレーニング可能な連立フィルタ(JBF)の組み合わせによるハイブリッドデノナイジング手法を提案する。
- 参考スコア（独自算出の注目度）: 7.879949714759592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-dose computed tomography (CT) denoising algorithms aim to enable reduced
patient dose in routine CT acquisitions while maintaining high image quality.
Recently, deep learning~(DL)-based methods were introduced, outperforming
conventional denoising algorithms on this task due to their high model
capacity. However, for the transition of DL-based denoising to clinical
practice, these data-driven approaches must generalize robustly beyond the seen
training data. We, therefore, propose a hybrid denoising approach consisting of
a set of trainable joint bilateral filters (JBFs) combined with a convolutional
DL-based denoising network to predict the guidance image. Our proposed
denoising pipeline combines the high model capacity enabled by DL-based feature
extraction with the reliability of the conventional JBF. The pipeline's ability
to generalize is demonstrated by training on abdomen CT scans without metal
implants and testing on abdomen scans with metal implants as well as on head CT
data. When embedding two well-established DL-based denoisers (RED-CNN/QAE) in
our pipeline, the denoising performance is improved by $10\,\%$/$82\,\%$ (RMSE)
and $3\,\%$/$81\,\%$ (PSNR) in regions containing metal and by $6\,\%$/$78\,\%$
(RMSE) and $2\,\%$/$4\,\%$ (PSNR) on head CT data, compared to the respective
vanilla model. Concluding, the proposed trainable JBFs limit the error bound of
deep neural networks to facilitate the applicability of DL-based denoisers in
low-dose CT pipelines.
- Abstract（参考訳）: 低線量CT(Low-Dose Computed Tomography)デノケーションアルゴリズムは,高画質を維持しつつ,日常的なCT取得において患者線量を減らすことを目的としている。
近年,Deep Learning~(DL)ベースの手法が導入された。
しかし, DLをベースとした認知症から臨床実践への移行には, これらのデータ駆動型アプローチは, トレーニングデータ以上の強固に一般化する必要がある。
そこで本研究では,訓練可能な連立フィルタ(JBF)と畳み込み型DLベースデノナイジングネットワークを組み合わせたハイブリッドデノナイジング手法を提案する。
提案手法では,dlに基づく特徴抽出により実現される高モデル容量と従来のjbfの信頼性を両立する。
パイプラインの一般化能力は、金属インプラントを使わずに腹部CTスキャンを訓練し、金属インプラントと頭部CTデータを用いて腹部CTを検査することで実証される。
我々のパイプラインに2つの確立されたDLベースのデノワ (RED-CNN/QAE) を埋め込むと、各バニラモデルと比較して10,\%$/$82\,\%$ (RMSE) と3,\%$/$81\,\%$ (PSNR) が金属を含む領域に6,\%$/$78\,\%$ (RMSE) と2,\%$/$4\,\%$ (PSNR) が改善される。
学習可能なjbfは、低線量ctパイプラインにおけるdlベースのデノイザの適用性を高めるために、ディープニューラルネットワークのエラーバウンドを制限する。
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) - On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT
Setting [6.450514665591633]
低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。
本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
論文 参考訳（メタデータ） (2022-11-02T13:37:59Z) - Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。
放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。
現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。
我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
論文 参考訳（メタデータ） (2022-11-01T20:58:50Z) - 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) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - No-reference denoising of low-dose CT projections [2.7716102039510564]
低線量CT (LDCT) は放射線学において明らかな傾向を呈し, 患者への過剰なX線照射の回避が望まれる。
放射線線量減少は患者のリスクを減少させるが、ノイズレベルを上昇させ、画像の品質と診断値に影響を及ぼす。
1つの緩和オプションは、ディープラーニングアルゴリズムを用いてデノナイジングモデルを訓練するために、低線量および高線量CTプロジェクションのペアを検討することである。
本稿では,従来の自己監督法と異なり,新しい自己監督法を提案する。
論文 参考訳（メタデータ） (2021-02-03T13:51:33Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z)
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。