論文の概要: A Diffusion Probabilistic Prior for Low-Dose CT Image Denoising
- arxiv url: http://arxiv.org/abs/2305.15887v1
- Date: Thu, 25 May 2023 09:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 16:06:55.309500
- Title: A Diffusion Probabilistic Prior for Low-Dose CT Image Denoising
- Title(参考訳): 低線量CT画像の拡散確率前処理
- Authors: Xuan Liu, Yaoqin Xie, Songhui Diao, Shan Tan, Xiaokun Liang
- Abstract要約: 低線量CT画像は医用画像処理において重要である。
拡散確率モデルに基づく低用量CT画像のデノナイズのための新しい教師なし手法を提案する。
提案手法は広範に用いられている低用量CT画像復調ベンチマークで評価し, 定量的および視覚的性能の両面で, 教師付き低用量CT画像復調法よりも優れていた。
- 参考スコア(独自算出の注目度): 6.831318352546479
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-dose computed tomography (CT) image denoising is crucial in medical image
computing. Recent years have been remarkable improvement in deep learning-based
methods for this task. However, training deep denoising neural networks
requires low-dose and normal-dose CT image pairs, which are difficult to obtain
in the clinic settings. To address this challenge, we propose a novel fully
unsupervised method for low-dose CT image denoising, which is based on
denoising diffusion probabilistic model -- a powerful generative model. First,
we train an unconditional denoising diffusion probabilistic model capable of
generating high-quality normal-dose CT images from random noise. Subsequently,
the probabilistic priors of the pre-trained diffusion model are incorporated
into a Maximum A Posteriori (MAP) estimation framework for iteratively solving
the image denoising problem. Our method ensures the diffusion model produces
high-quality normal-dose CT images while keeping the image content consistent
with the input low-dose CT images. We evaluate our method on a widely used
low-dose CT image denoising benchmark, and it outperforms several supervised
low-dose CT image denoising methods in terms of both quantitative and visual
performance.
- Abstract(参考訳): 低線量ct像は医用画像計算において重要である。
近年,深層学習に基づく手法が顕著に改善されている。
しかし,ディープデノージングニューラルネットワークの訓練には,低線量および正常線量ct画像ペアが必要であり,クリニックの設定では取得が困難である。
そこで本研究では,高出力生成モデルである拡散確率モデルに基づく低線量ct画像デノイジングの完全教師なし法を提案する。
まず,ランダムノイズから高画質の正常線量CT画像を生成する非条件の拡散確率モデルを訓練する。
その後、事前学習した拡散モデルの確率的先行を最大A Posteriori(MAP)推定フレームワークに組み込み、画像復調問題を反復的に解く。
提案手法は,入力された低線量CT画像と画像内容の整合性を保ちながら,高画質の正常線量CT画像を生成する。
本手法は広範に使用される低線量ct画像デノイジングベンチマークを用いて評価し,数種類の教師あり低線量ct画像デノイジング法を定量的および視覚的に評価した。
関連論文リスト
- One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。
近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。
我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文 参考訳(メタデータ) (2024-08-14T11:47:22Z) - Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。
反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。
その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文 参考訳(メタデータ) (2024-05-27T13:44:53Z) - 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) - Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for
Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。
本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。
提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
論文 参考訳(メタデータ) (2024-03-06T08:51:09Z) - 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) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T20:30:55Z) - 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 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) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Self-Supervised Training For Low Dose CT Reconstruction [0.0]
本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。
ノイズが要素的に独立な射影領域に自己超越原理を適用する。
提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-10-25T22:02:14Z)
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。