論文の概要: Self-supervised Physics-based Denoising for Computed Tomography
- arxiv url: http://arxiv.org/abs/2211.00745v1
- Date: Tue, 1 Nov 2022 20:58:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:03:50.947325
- Title: Self-supervised Physics-based Denoising for Computed Tomography
- Title（参考訳）: 自己教師型物理によるCT用デノナイジング
- Authors: Elvira Zainulina and Alexey Chernyavskiy and Dmitry V. Dylov
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.2758845733923687
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computed Tomography (CT) imposes risk on the patients due to its inherent
X-ray radiation, stimulating the development of low-dose CT (LDCT) imaging
methods. Lowering the radiation dose reduces the health risks but leads to
noisier measurements, which decreases the tissue contrast and causes artifacts
in CT images. Ultimately, these issues could affect the perception of medical
personnel and could cause misdiagnosis. Modern deep learning noise suppression
methods alleviate the challenge but require low-noise-high-noise CT image pairs
for training, rarely collected in regular clinical workflows. In this work, we
introduce a new self-supervised approach for CT denoising Noise2NoiseTD-ANM
that can be trained without the high-dose CT projection ground truth images.
Unlike previously proposed self-supervised techniques, the introduced method
exploits the connections between the adjacent projections and the actual model
of CT noise distribution. Such a combination allows for interpretable
no-reference denoising using nothing but the original noisy LDCT projections.
Our experiments with LDCT data demonstrate that the proposed method reaches the
level of the fully supervised models, sometimes superseding them, easily
generalizes to various noise levels, and outperforms state-of-the-art
self-supervised denoising algorithms.
- Abstract（参考訳）: Computed Tomography (CT) は、X線固有の放射線により患者にリスクを課し、低線量CT(LDCT)イメージング法の開発を促進する。
放射線線量の減少は健康リスクを減少させるが、ノイジエ測定につながり、組織コントラストを減少させ、ct画像にアーティファクトを引き起こす。
最終的に、これらの問題は医療従事者の認識に影響を与え、誤診を引き起こす可能性がある。
現代のディープラーニングノイズ抑制法は、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。
本研究では,高用量CTプロジェクション地上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の自己管理手法を提案する。
従来提案されていた自己教師型手法とは異なり,提案手法では隣接投影と実際のCTノイズ分布モデルとの接続を利用する。
このような組み合わせにより、元のノイズの多いLDCTプロジェクションのみを使用して、解釈可能なno-reference denoisingを可能にする。
ldctデータを用いた実験により,提案手法が完全教師付きモデルのレベルに達し,時折教師付きモデルに到達し,様々なノイズレベルに容易に一般化し,最先端の自己教師付きデノイジングアルゴリズムを上回ることを示した。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - 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) - 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) - 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) - 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) - Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs [7.4103922463838785]
自己監視型学習型CTデノイジング法を提案する。
低線量CT(LDCT)と正常線量CT(NDCT)のペアからCTノイズを予測できるプリトレーニングCTデノイジングとノイズモデルをトレーニングします。
2016 AAPM Low-Dose CT Grand Challengeデータセットにおいて,本手法の評価を行った。
論文 参考訳（メタデータ） (2021-04-06T07:11:46Z) - Noise Entangled GAN For Low-Dose CT Simulation [32.3869284562502]
高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)。
高線量CT画像からクリーンCT画像とノイズ画像を生成するための2つの手法を提案する。
NE-GANは低線量CT画像の異なるレベルをシミュレートするために提案される。
論文 参考訳（メタデータ） (2021-02-18T21:04:32Z) - 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) - Noise Conscious Training of Non Local Neural Network powered by Self
Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。
そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。
次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
論文 参考訳（メタデータ） (2020-11-11T10:44:52Z) - Probabilistic self-learning framework for Low-dose CT Denoising [1.8734449181723827]
被曝の減少は、被曝量を減少させ、したがって放射線関連のリスクを減少させる。
低用量CT(LDCT)を診断するためにニューラルネットワークをトレーニングするために、改良されたディープラーニングを使用することができる
論文 参考訳（メタデータ） (2020-05-30T17:47:10Z)
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。