論文の概要: Stabilize, Decompose, and Denoise: Self-Supervised Fluoroscopy Denoising
- arxiv url: http://arxiv.org/abs/2208.14022v1
- Date: Tue, 30 Aug 2022 06:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:26:32.131034
- Title: Stabilize, Decompose, and Denoise: Self-Supervised Fluoroscopy Denoising
- Title(参考訳): 安定化・分解・脱ノイズ:自己監督型蛍光顕微鏡による脱ノイズ
- Authors: Ruizhou Liu, Qiang Ma, Zhiwei Cheng, Yuanyuan Lyu, Jianji Wang, S.
Kevin Zhou
- Abstract要約: フルオロスコープ(Fluoroscopy)は、X線を使って3Dオブジェクトの内部のリアルタイム2Dビデオを取得するイメージング技術である。
主に低用量X線の臨床使用による重音に悩まされる。
蛍光画像の領域知識を活用した自己監督型3段階フレームワークを提案する。
- 参考スコア(独自算出の注目度): 13.056423638426562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fluoroscopy is an imaging technique that uses X-ray to obtain a real-time 2D
video of the interior of a 3D object, helping surgeons to observe pathological
structures and tissue functions especially during intervention. However, it
suffers from heavy noise that mainly arises from the clinical use of a low dose
X-ray, thereby necessitating the technology of fluoroscopy denoising. Such
denoising is challenged by the relative motion between the object being imaged
and the X-ray imaging system. We tackle this challenge by proposing a
self-supervised, three-stage framework that exploits the domain knowledge of
fluoroscopy imaging. (i) Stabilize: we first construct a dynamic panorama based
on optical flow calculation to stabilize the non-stationary background induced
by the motion of the X-ray detector. (ii) Decompose: we then propose a novel
mask-based Robust Principle Component Analysis (RPCA) decomposition method to
separate a video with detector motion into a low-rank background and a sparse
foreground. Such a decomposition accommodates the reading habit of experts.
(iii) Denoise: we finally denoise the background and foreground separately by a
self-supervised learning strategy and fuse the denoised parts into the final
output via a bilateral, spatiotemporal filter. To assess the effectiveness of
our work, we curate a dedicated fluoroscopy dataset of 27 videos (1,568 frames)
and corresponding ground truth. Our experiments demonstrate that it achieves
significant improvements in terms of denoising and enhancement effects when
compared with standard approaches. Finally, expert rating confirms this
efficacy.
- Abstract(参考訳): フルオロスコープ(Fluoroscopy)は、X線を使って3Dオブジェクトの内部のリアルタイム2Dビデオを取得し、外科医が特に介入中に病理組織や組織機能を観察するのを助ける画像技術である。
しかし、低線量x線の臨床使用が主な原因で発生する大ノイズに苦しむため、蛍光顕微鏡技術が必要となる。
このようなノイズは、被写体とx線イメージングシステムとの間の相対運動に挑戦される。
本稿では,蛍光画像の領域知識を活用した自己監督型3段階フレームワークを提案する。
安定化:まず光学フロー計算に基づいて動的パノラマを構築し,X線検出器の運動によって誘導される非定常背景を安定化させる。
(II) 分割: マスクを用いたロバスト原理成分分析(RPCA)分解法を提案し, 検出動作を伴う映像を低ランク背景とスパースフォアグラウンドに分離する。
このような分解は専門家の読書習慣を満たす。
(iii)デノワーズ:最終的に、背景と前景を自己教師付き学習戦略によって別々に弁別し、その弁別された部分を2つの時空間フィルターで最終出力に融合させる。
本研究の有効性を評価するために,27本の映像(1,568フレーム)と対応する基底真理のフルオロスコープデータセットを収集した。
本実験は, 標準的なアプローチと比較して, 騒音低減効果, 改善効果の面で著しく向上したことを示す。
最後に、専門家の評価はこの効果を確認します。
関連論文リスト
- Iterative Learning for Joint Image Denoising and Motion Artifact
Correction of 3D Brain MRI [11.806804196128953]
本稿では, 動きアーチファクトを用いたノイズの多いMRIの処理を反復学習により行うJDAC(Joint Image Denoising and Motion Artifact Correction)フレームワークを提案する。
まず,新しい雑音レベル推定手法を設計し,推定雑音分散に基づく特徴正規化条件付きU-Netバックボーンによる雑音を適応的に低減する。
アンチアーティファクトモデルは、運動補正プロセス中に脳解剖の整合性を維持するために設計された、新しい勾配に基づく損失関数を組み込んだ、運動アーティファクトの除去に別のU-Netを使用している。
論文 参考訳(メタデータ) (2024-03-13T01:18:55Z) - 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) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Medical Image Denosing via Explainable AI Feature Preserving Loss [7.027732392103466]
本稿では,様々な種類のノイズを効率よく除去するだけでなく,その過程で重要な医療的特徴を保存できる新しい医用画像のデノライズ手法を提案する。
我々の特徴保存損失関数は、勾配に基づくXAIが雑音に敏感であるという特徴に動機付けられている。
論文 参考訳(メタデータ) (2023-10-31T00:37:03Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳(メタデータ) (2023-05-27T03:55:19Z) - Robust Implementation of Foreground Extraction and Vessel Segmentation
for X-ray Coronary Angiography Image Sequence [4.653742319057035]
X-ray coronary angiography (XCA) 画像からの造影血管の抽出は臨床的に重要である。
テンソルロバスト主成分分析(TRPCA)に基づく容器層抽出法を提案する。
不均質なコントラスト分布を有する容器画像に対しては,2段階成長(TSRG)法を用いて血管拡張とセグメンテーションを行う。
論文 参考訳(メタデータ) (2022-09-15T12:07:09Z) - Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。
本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
論文 参考訳(メタデータ) (2022-01-27T19:02:38Z) - Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
そこで本研究では,深度推定のためのドメイン適応手法を提案する。
提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。
実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
論文 参考訳(メタデータ) (2021-09-24T08:11:34Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳(メタデータ) (2020-05-12T08:01:16Z)
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。