論文の概要: QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose
CT Image Denoising by Local Similarity Among Unpaired Data
- arxiv url: http://arxiv.org/abs/2302.03916v1
- Date: Wed, 8 Feb 2023 07:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 17:05:59.174001
- Title: QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose
CT Image Denoising by Local Similarity Among Unpaired Data
- Title（参考訳）: QS-ADN: 局所的類似性を考慮した低次元CT画像のための準スーパービジョンアーチファクト歪みネットワーク
- Authors: Yuhui Ruan, Qiao Yuan, Chuang Niu, Chen Li, Yudong Yao, Ge Wang and
Yueyang Teng
- Abstract要約: 本稿では,LDCT画像復調のためのADNの強化を目的とした,準教師付き学習と呼ばれる新しい学習モードを提案する。
提案手法は、教師付き学習モードやセミ教師付き学習モードとは(互換性はあるが)異なるものであり、既存のネットワークを変更することで容易に実装できる。
実験結果から,本手法は騒音抑制法や文脈忠実度の観点から,最先端の手法と競合することが示された。
- 参考スコア（独自算出の注目度）: 10.745277107045949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been successfully applied to low-dose CT (LDCT) image
denoising for reducing potential radiation risk. However, the widely reported
supervised LDCT denoising networks require a training set of paired images,
which is expensive to obtain and cannot be perfectly simulated. Unsupervised
learning utilizes unpaired data and is highly desirable for LDCT denoising. As
an example, an artifact disentanglement network (ADN) relies on unparied images
and obviates the need for supervision but the results of artifact reduction are
not as good as those through supervised learning.An important observation is
that there is often hidden similarity among unpaired data that can be utilized.
This paper introduces a new learning mode, called quasi-supervised learning, to
empower the ADN for LDCT image denoising.For every LDCT image, the best matched
image is first found from an unpaired normal-dose CT (NDCT) dataset. Then, the
matched pairs and the corresponding matching degree as prior information are
used to construct and train our ADN-type network for LDCT denoising.The
proposed method is different from (but compatible with) supervised and
semi-supervised learning modes and can be easily implemented by modifying
existing networks. The experimental results show that the method is competitive
with state-of-the-art methods in terms of noise suppression and contextual
fidelity. The code and working dataset are publicly available at
https://github.com/ruanyuhui/ADN-QSDL.git.
- Abstract（参考訳）: 深層学習は低線量CT(LDCT)画像に成功し,放射線リスクの低減に寄与している。
しかし、広く報告されている教師付きldctデノイジングネットワークは、ペア画像のトレーニングセットを必要としており、取得にコストがかかり、完全なシミュレーションはできない。
教師なし学習は障害のないデータを利用しており、LDCT復調に非常に望ましい。
例えば、アーティファクト・ディスタングルメント・ネットワーク(adn)は、分離されていない画像に依存し、監視の必要性を回避しているが、アーティファクトの削減の結果は教師付き学習によるものほど良くない。
本稿では, ldct画像に対してadnを付与するために, 擬似教師付き学習と呼ばれる新しい学習モードを導入し, ldct画像毎に最適なマッチング画像が, 非ペア型正規線ct(ndct)データセットから最初に見出される。
次に、マッチングされたペアと、先行情報として対応するマッチング度を用いて、ldct用adn型ネットワークを構築し、訓練し、提案手法は、教師付きおよび半教師付き学習モードと異なり、既存のネットワークを変更して容易に実装することができる。
実験結果から,本手法は騒音抑制と文脈忠実度の観点から,最先端の手法と競合することが示された。
コードと動作データセットはhttps://github.com/ruanyuhui/ADN-QSDL.gitで公開されている。
関連論文リスト
- 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) - Self-supervised Noise2noise Method Utilizing Corrupted Images with a
Modular Network for LDCT Denoising [9.794579903055668]
ディープラーニングは低線量CT(LDCT)画像復調のための有望な手法である。
従来のディープラーニング手法では、ペア化されたノイズとクリーンなデータセットが必要です。
本稿では,LDCTデータのみを用いてLDCT画像の復調を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-13T11:26:56Z) - Diffusion Denoising for Low-Dose-CT Model [0.0]
本研究では,条件付きサンプリングを用いたノイズフリーCT画像を生成するDDLMと呼ばれるDNOising Diffusion LDCTモデルを提案する。
LDCT画像を用いた実験では,他の最先端手法よりも少ない推論時間を用いてDDLMの同等の性能を示した。
論文 参考訳（メタデータ） (2023-01-27T01:11:42Z) - Self Supervised Low Dose Computed Tomography Image Denoising Using
Invertible Network Exploiting Inter Slice Congruence [20.965610734723636]
LDCT画像とNDCT画像のペア化の必要性を軽減するために, 自己監督型低用量CTデノベーション法を提案する。
我々は、ノイズスライスと隣接する2つのノイズスライスの平均の2乗距離を最小化するために、可逆ニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2022-11-03T07:16:18Z) - Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising [33.706959549595496]
パッチワイド・ディープ・メトリック・ラーニングを用いた低用量CT再構成のための新しい教師なし学習手法を提案する。
鍵となる考え方は、同じ解剖学的構造を共有するイメージパッチの正のペアを引いて、互いに同じノイズレベルを持つ負のペアをプッシュすることで、埋め込み空間を学習することである。
実験結果から,CT数シフトを伴わない高品質な復号化画像の作成において,深度検定学習が重要な役割を担っていることが確認された。
論文 参考訳（メタデータ） (2022-07-06T00:58:11Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳（メタデータ） (2022-06-08T06:19:30Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳（メタデータ） (2021-10-09T16:09:27Z) - 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) - 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) - 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) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z)
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。