論文の概要: Multi-frame-based Cross-domain Image Denoising for Low-dose Computed Tomography

• arxiv url: http://arxiv.org/abs/2304.10839v1
• Date: Fri, 21 Apr 2023 09:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 15:10:20.218276
• Title: Multi-frame-based Cross-domain Image Denoising for Low-dose Computed Tomography
• Title（参考訳）: 低線量ctのためのマルチフレーム・クロスドメイン画像デノージング
• Authors: Yucheng Lu, Zhixin Xu, Moon Hyung Choi, Jimin Kim, and Seung-Won Jung
• Abstract要約: LDCT復調のための完全再建パイプラインをよりよく活用する2段階法を提案する。 本手法はマルチスライスプロジェクションとボリューム再構成の両方の高冗長性をうまく活用する。
• 参考スコア（独自算出の注目度）: 10.637955673980697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) has been used worldwide for decades as one of the most important non-invasive tests in assisting diagnosis. However, the ionizing nature of X-ray exposure raises concerns about potential health risks such as cancer. The desire for lower radiation dose has driven researchers to improve the reconstruction quality, especially by removing noise and artifacts. Although previous studies on low-dose computed tomography (LDCT) denoising have demonstrated the effectiveness of learning-based methods, most of them were developed on the simulated data collected using Radon transform. However, the real-world scenario significantly differs from the simulation domain, and the joint optimization of denoising with modern CT image reconstruction pipeline is still missing. In this paper, for the commercially available third-generation multi-slice spiral CT scanners, we propose a two-stage method that better exploits the complete reconstruction pipeline for LDCT denoising across different domains. Our method makes good use of the high redundancy of both the multi-slice projections and the volumetric reconstructions while avoiding the collapse of information in conventional cascaded frameworks. The dedicated design also provides a clearer interpretation of the workflow. Through extensive evaluations, we demonstrate its superior performance against state-of-the-art methods.
• Abstract（参考訳）: CT(Computed tomography)は、診断支援において最も重要な非侵襲的検査の1つである。 しかしながら、X線被曝の電離性は、がんのような潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、特にノイズやアーティファクトを除去することで、研究者に再建の質を改善するよう促した。 従来の低線量CT(LDCT)デノナイズによる研究は,学習に基づく手法の有効性を示したが,そのほとんどはRadon変換を用いて収集したシミュレーションデータに基づいて開発された。 しかし、実世界のシナリオはシミュレーション領域とは大きく異なり、現代のCT画像再構成パイプラインとの協調最適化はいまだに欠落している。 本稿では,市販の第3世代マルチスライス・スパイラルCTスキャナに対して,異なる領域をまたがるLDCTの完全再構成パイプラインをよりよく活用する2段階の手法を提案する。 本手法は,従来のカスケードフレームワークにおける情報の崩壊を回避しつつ,マルチスライス射影とボリュームリコンストラクションの高冗長性を有効活用する。 専用設計はワークフローのより明確な解釈も提供する。 広範な評価を通じて,最先端手法に対する優れた性能を示す。

関連論文リスト

• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• 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)
• SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields [71.84366290195487]
  神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。 提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T14:51:14Z)
• On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting [6.450514665591633]
  低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。 本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-02T13:37:59Z)
• 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)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT Denoising [10.101822678034393]
  低用量CT(LDCT)は早期の肺癌やCOVID-19のスクリーニングに広く採用されている。 LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。 LDCT画像を読み取る放射線科医のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-15T05:59:01Z)
• 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)
• Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks [6.167259271197635]
  ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。 脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。 診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-19T21:44:07Z)

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。