論文の概要: Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising
- arxiv url: http://arxiv.org/abs/2305.15887v2
- Date: Fri, 14 Jul 2023 01:27:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 16:52:46.857585
- Title: Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising
- Title（参考訳）: ゼロショット低線量ct画像の拡散確率的事前推定
- Authors: Xuan Liu, Yaoqin Xie, Jun Cheng, Songhui Diao, Shan Tan, Xiaokun Liang
- Abstract要約: 低線量CT画像のデノイングは医用画像処理において重要な課題である。
既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。
低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
- 参考スコア（独自算出の注目度）: 10.854795474105366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Denoising low-dose computed tomography (CT) images is a critical task in
medical image computing. Supervised deep learning-based approaches have made
significant advancements in this area in recent years. However, these methods
typically require pairs of low-dose and normal-dose CT images for training,
which are challenging to obtain in clinical settings. Existing unsupervised
deep learning-based methods often require training with a large number of
low-dose CT images or rely on specially designed data acquisition processes to
obtain training data. To address these limitations, we propose a novel
unsupervised method that only utilizes normal-dose CT images during training,
enabling zero-shot denoising of low-dose CT images. Our method leverages the
diffusion model, a powerful generative model. We begin by training a cascaded
unconditional diffusion model capable of generating high-quality normal-dose CT
images from low-resolution to high-resolution. The cascaded architecture makes
the training of high-resolution diffusion models more feasible. Subsequently,
we introduce low-dose CT images into the reverse process of the diffusion model
as likelihood, combined with the priors provided by the diffusion model and
iteratively solve multiple maximum a posteriori (MAP) problems to achieve
denoising. Additionally, we propose methods to adaptively adjust the
coefficients that balance the likelihood and prior in MAP estimations, allowing
for adaptation to different noise levels in low-dose CT images. We test our
method on low-dose CT datasets of different regions with varying dose levels.
The results demonstrate that our method outperforms the state-of-the-art
unsupervised method and surpasses several supervised deep learning-based
methods. Codes are available in https://github.com/DeepXuan/Dn-Dp.
- Abstract（参考訳）: 低線量CT画像のデノイングは医用画像処理において重要な課題である。
近年,深層学習を基盤としたアプローチは,この領域で大きな進歩を遂げている。
しかし、これらの方法は、通常、トレーニングのために低用量と正常用量のCT画像のペアを必要とする。
既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像によるトレーニングや、訓練データを得るために特別に設計されたデータ取得プロセスに依存することが多い。
これらの制約に対処するために、トレーニング中に正常なCT画像のみを利用する新しい教師なし手法を提案し、低用量CT画像のゼロショット復調を可能にする。
本手法は, 拡散モデル, 強力な生成モデルを利用する。
我々は,低解像度から高解像度まで高画質の正常線量CT画像を生成することができるカスケード非条件拡散モデルの訓練から始める。
カスケードアーキテクチャは、高分解能拡散モデルのトレーニングをより実現可能にする。
その後,拡散モデルの逆過程に低線量CT画像を導入し,拡散モデルが提供する先行値と組み合わせて,複数の最大アポジトリ(MAP)問題を反復的に解き,復調を実現する。
さらに、MAP推定における確率と事前のバランスの係数を適応的に調整し、低線量CT画像の異なるノイズレベルへの適応を可能にする手法を提案する。
異なる領域の低用量CTデータセットに対して,線量レベルの異なる試験を行った。
その結果,本手法は最先端の教師なし手法を上回り,複数の教師付き深層学習法を上回った。
コードはhttps://github.com/DeepXuan/Dn-Dp.comで入手できる。
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。