論文の概要: Coil2Coil: Self-supervised MR image denoising using phased-array coil
images
- arxiv url: http://arxiv.org/abs/2208.07552v1
- Date: Tue, 16 Aug 2022 05:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:17:59.601162
- Title: Coil2Coil: Self-supervised MR image denoising using phased-array coil
images
- Title（参考訳）: Coil2Coil:フェーズドアレイコイル画像を用いた自己監督型MR画像デノイング
- Authors: Juhyung Park, Dongwon Park, Hyeong-Geol Shin, Eun-Jung Choi, Hongjun
An, Minjun Kim, Dongmyung Shin, Se Young Chun, and Jongho Lee
- Abstract要約: クリーンな画像の取得やペアのノイズ破損画像の学習を必要としない,自己教師型デノベーション手法Coil2Coil(C2C)を提案する。
C2Cは、いくつかの自己教師付きメソッドに対して最高のパフォーマンスを示し、教師付きメソッドに匹敵する結果を報告している。
クリーン画像やペア画像にスキャンを加える必要がないという大きな利点があるため、様々な臨床応用に容易に利用できる。
- 参考スコア（独自算出の注目度）: 23.595716054832916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Denoising of magnetic resonance images is beneficial in improving the quality
of low signal-to-noise ratio images. Recently, denoising using deep neural
networks has demonstrated promising results. Most of these networks, however,
utilize supervised learning, which requires large training images of
noise-corrupted and clean image pairs. Obtaining training images, particularly
clean images, is expensive and time-consuming. Hence, methods such as
Noise2Noise (N2N) that require only pairs of noise-corrupted images have been
developed to reduce the burden of obtaining training datasets. In this study,
we propose a new self-supervised denoising method, Coil2Coil (C2C), that does
not require the acquisition of clean images or paired noise-corrupted images
for training. Instead, the method utilizes multichannel data from phased-array
coils to generate training images. First, it divides and combines multichannel
coil images into two images, one for input and the other for label. Then, they
are processed to impose noise independence and sensitivity normalization such
that they can be used for the training images of N2N. For inference, the method
inputs a coil-combined image (e.g., DICOM image), enabling a wide application
of the method. When evaluated using synthetic noise-added images, C2C shows the
best performance against several self-supervised methods, reporting comparable
outcomes to supervised methods. When testing the DICOM images, C2C successfully
denoised real noise without showing structure-dependent residuals in the error
maps. Because of the significant advantage of not requiring additional scans
for clean or paired images, the method can be easily utilized for various
clinical applications.
- Abstract（参考訳）: 磁気共鳴画像のノイズ除去は低信号対雑音比画像の品質向上に有用である。
近年,深層ニューラルネットワークによるノイズ除去は有望な結果を示している。
しかし、これらのネットワークのほとんどは教師あり学習を利用しており、ノイズの破損とクリーンな画像ペアの大規模な訓練画像を必要とする。
トレーニングイメージ、特にクリーンなイメージを持つことは、高価で時間を要する。
そのため,ノイズ崩壊画像のペアのみを必要とするノイズ2ノイズ(N2N)などの手法が開発され,トレーニングデータセット取得の負担が軽減された。
本研究では, クリーンな画像の取得や, ペアのノイズ破損画像の学習を不要とする, 自己教師型デノベーション手法Coil2Coil (C2C)を提案する。
代わりに、フェーズドアレイコイルからのマルチチャネルデータを用いてトレーニング画像を生成する。
まず、マルチチャネルコイルイメージを、入力用とラベル用という2つの画像に分割して結合する。
そして、N2Nのトレーニング画像に使用できるように、ノイズ独立および感度正規化を課すように処理する。
推測のために、この方法はコイル結合された画像(例えばDICOM画像)を入力し、この方法の幅広い適用を可能にする。
合成ノイズ付加画像を用いて評価すると、C2Cは複数の自己教師付き手法に対して最高の性能を示し、教師付き手法に匹敵する結果を報告する。
DICOM画像をテストする際、C2Cはエラーマップに構造依存残差を示さずに実雑音を識別することに成功した。
クリーン画像やペア画像にスキャンを加える必要がないという大きな利点があるため、様々な臨床応用に容易に利用できる。
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) - Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。
一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-24T16:23:46Z) - 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) - 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) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - 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) - Noise2Stack: Improving Image Restoration by Learning from Volumetric
Data [0.0]
本稿では,画像スタックへのNoss2Noise法の拡張であるNoss2Stackを紹介する。
磁気共鳴脳スキャンと新たに取得した多面体顕微鏡データを用いて,スタック内の画像近傍からのみ学習することで,ノイズ2ノイズとノイズ2Voidを上回り得ることを示す。
論文 参考訳（メタデータ） (2020-11-10T14:01:47Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - 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)
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。