Fugu-MT 論文翻訳(概要): Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$ Speedup

論文の概要: Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$ Speedup

arxiv url: http://arxiv.org/abs/2209.15136v1
Date: Thu, 29 Sep 2022 23:35:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 16:51:53.257600
Title: Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$ Speedup
Title（参考訳）: 拡散確率モデルを用いた20$\times$ Speedupのための低線量CT
Authors: Wenjun Xia and Qing Lyu and Ge Wang
Abstract要約: 本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。 DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
参考スコア（独自算出の注目度）: 8.768546646716771
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low-dose computed tomography (LDCT) is an important topic in the field of radiology over the past decades. LDCT reduces ionizing radiation-induced patient health risks but it also results in a low signal-to-noise ratio (SNR) and a potential compromise in the diagnostic performance. In this paper, to improve the LDCT denoising performance, we introduce the conditional denoising diffusion probabilistic model (DDPM) and show encouraging results with a high computational efficiency. Specifically, given the high sampling cost of the original DDPM model, we adapt the fast ordinary differential equation (ODE) solver for a much-improved sampling efficiency. The experiments show that the accelerated DDPM can achieve 20x speedup without compromising image quality.
Abstract（参考訳）: 近年の放射線学分野において,低線量CT(LDCT)が重要視されている。 LDCTは、電離放射線による患者の健康リスクを低減させるが、信号対雑音比(SNR)が低く、診断性能に悪影響を及ぼす可能性がある。本稿では,LDCTデノナイジング性能を改善するために,条件付きデノナイジング拡散確率モデル(DDPM)を導入し,高い計算効率で良好な結果を示す。具体的には、オリジナルのDDPMモデルの高サンプリングコストを考えると、高速常微分方程式(ODE)ソルバを改良されたサンプリング効率に適用する。実験の結果,加速DDPMは画質を損なうことなく20倍のスピードアップを達成できることがわかった。

関連論文リスト

HC$^3$L-Diff: Hybrid conditional latent diffusion with high frequency enhancement for CBCT-to-CT synthesis [10.699377597641137]
本稿では,CBCT-to-CT合成のための新しい条件付き潜時拡散モデルを提案する。我々はUnified Feature (UFE) を用いて画像を低次元の潜在空間に圧縮する。本手法は, CBCT-to-CTの高精細合成を患者1人当たり2分以上で効率よく行うことができる。
論文参考訳（メタデータ） (2024-11-03T14:00:12Z)
A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
論文参考訳（メタデータ） (2024-10-25T03:42:35Z)
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)
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)
Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文参考訳（メタデータ） (2022-11-27T16:27:28Z)
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)
Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
論文参考訳（メタデータ） (2022-05-25T06:40:09Z)
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)
Deep High-Resolution Network for Low Dose X-ray CT Denoising [1.1852406625172216]
深層学習技術は低線量CT法(LDCT)に用いられている。 DLデノ化画像の解像度が損なわれ、臨床価値は低下している。高分解能ネットワーク(HRNet)を導入して,より効率的なデノイザを開発した。
論文参考訳（メタデータ） (2021-02-01T02:54:29Z)
Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。