論文の概要: Denoising of 3D MR images using a voxel-wise hybrid residual MLP-CNN
model to improve small lesion diagnostic confidence
- arxiv url: http://arxiv.org/abs/2209.13818v1
- Date: Wed, 28 Sep 2022 03:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:56:29.341778
- Title: Denoising of 3D MR images using a voxel-wise hybrid residual MLP-CNN
model to improve small lesion diagnostic confidence
- Title（参考訳）: voxel-wise hybrid residual MLP-CNNモデルを用いた3次元MR画像のノイズ化による微小病変診断精度の向上
- Authors: Haibo Yang, Shengjie Zhang, Xiaoyang Han, Botao Zhao, Yan Ren, Yaru
Sheng, and Xiao-Yong Zhang
- Abstract要約: MRI画像の小さな病変は、多くの疾患の臨床的診断に不可欠である。
MRIの画質は様々なノイズによって容易に劣化し、小病変の診断精度に大きな影響を及ぼす可能性がある。
そこで本研究では,小病変の3次元MR像を呈示するボクセルワイドハイブリッド残差CNNモデルを提案する。
- 参考スコア（独自算出の注目度）: 4.636940840535911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small lesions in magnetic resonance imaging (MRI) images are crucial for
clinical diagnosis of many kinds of diseases. However, the MRI quality can be
easily degraded by various noise, which can greatly affect the accuracy of
diagnosis of small lesion. Although some methods for denoising MR images have
been proposed, task-specific denoising methods for improving the diagnosis
confidence of small lesions are lacking. In this work, we propose a voxel-wise
hybrid residual MLP-CNN model to denoise three-dimensional (3D) MR images with
small lesions. We combine basic deep learning architecture, MLP and CNN, to
obtain an appropriate inherent bias for the image denoising and integrate each
output layers in MLP and CNN by adding residual connections to leverage
long-range information. We evaluate the proposed method on 720 T2-FLAIR brain
images with small lesions at different noise levels. The results show the
superiority of our method in both quantitative and visual evaluations on
testing dataset compared to state-of-the-art methods. Moreover, two experienced
radiologists agreed that at moderate and high noise levels, our method
outperforms other methods in terms of recovery of small lesions and overall
image denoising quality. The implementation of our method is available at
https://github.com/laowangbobo/Residual_MLP_CNN_Mixer.
- Abstract（参考訳）: mri画像における小病変は,様々な疾患の臨床診断に重要である。
しかし、MRIの品質は様々なノイズによって容易に劣化し、小さな病変の診断精度に大きな影響を与える可能性がある。
mr画像の弁別法が提案されているが,小病変の診断信頼度向上のためのタスク特異的弁別法が不足している。
そこで本研究では,3次元MR画像に小さな病変を付加したボクセルワイド残差MLP-CNNモデルを提案する。
我々は,MLPとCNNという基本的深層学習アーキテクチャを組み合わせることで,画像の固有バイアスを求め,各出力層をMLPとCNNに統合し,残差接続を加えて長距離情報を活用する。
ノイズレベルが小さい720T2-FLAIR脳画像に対して,提案手法の評価を行った。
その結果, テストデータセットの定量的および視覚的評価において, 最先端の手法と比較して, 提案手法の優位性を示した。
また, 2人の経験豊富な放射線科医は, 中等度, 高騒音レベルでは, 小型病変の回復や画像の全体的な劣化品質において, 他の方法よりも優れていた。
このメソッドの実装はhttps://github.com/laowangbobo/residual_mlp_cnn_mixerで利用可能である。
関連論文リスト
- Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。
ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。
CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative
Diffusion Models [0.3149883354098941]
本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。
本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
論文 参考訳（メタデータ） (2023-02-06T18:56:39Z) - 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) - Denoising of Three-Dimensional Fast Spin Echo Magnetic Resonance Images
of Knee Joints using Spatial-Variant Noise-Relevant Residual Learning of
Convolution Neural Network [0.0]
2次元高速スピンエコー法(FSE)は, 膝関節のMRIにおいて中心的な役割を担っている。
3D FSEは膝関節の高等方性磁気共鳴(MR)像を提供するが、2D FSEと比較して信号と雑音の比が低い。
ディープラーニング復調法はMR画像の復調に有望な手法であるが,合成ノイズを用いて訓練されることも多い。
論文 参考訳（メタデータ） (2022-04-21T03:45:11Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - 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) - Interpretability Aware Model Training to Improve Robustness against
Out-of-Distribution Magnetic Resonance Images in Alzheimer's Disease
Classification [8.050897403457995]
異なるMRIハードウェアから派生した分布外サンプルに対するロバスト性を改善するために,解釈可能性を考慮した対向訓練システムを提案する。
本報告では, 分布外のサンプルに対して有望な性能を示す予備的な結果を示す。
論文 参考訳（メタデータ） (2021-11-15T04:42:47Z) - High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial
Network with Attention and Cyclic Loss [3.4358954898228604]
超解像法はMRIの高速化に優れた性能を示した。
場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。
我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
論文 参考訳（メタデータ） (2021-07-21T10:07:22Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - 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)
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。