論文の概要: Self-supervised Noise2noise Method Utilizing Corrupted Images with a
Modular Network for LDCT Denoising
- arxiv url: http://arxiv.org/abs/2308.06746v1
- Date: Sun, 13 Aug 2023 11:26:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 15:35:19.051412
- Title: Self-supervised Noise2noise Method Utilizing Corrupted Images with a
Modular Network for LDCT Denoising
- Title（参考訳）: ldctデノージングのためのモジュラーネットワークを用いた劣化画像を用いた自己教師ありノイズ2ノイズ法
- Authors: Yuting Zhu and Qiang He and Yudong Yao and Yueyang Teng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.794579903055668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning is a very promising technique for low-dose computed tomography
(LDCT) image denoising. However, traditional deep learning methods require
paired noisy and clean datasets, which are often difficult to obtain. This
paper proposes a new method for performing LDCT image denoising with only LDCT
data, which means that normal-dose CT (NDCT) is not needed. We adopt a
combination including the self-supervised noise2noise model and the
noisy-as-clean strategy. First, we add a second yet similar type of noise to
LDCT images multiple times. Note that we use LDCT images based on the
noisy-as-clean strategy for corruption instead of NDCT images. Then, the
noise2noise model is executed with only the secondary corrupted images for
training. We select a modular U-Net structure from several candidates with
shared parameters to perform the task, which increases the receptive field
without increasing the parameter size. The experimental results obtained on the
Mayo LDCT dataset show the effectiveness of the proposed method compared with
that of state-of-the-art deep learning methods. The developed code is available
at https://github.com/XYuan01/Self-supervised-Noise2Noise-for-LDCT.
- Abstract（参考訳）: 深層学習は低線量ct(low-dose computed tomography:ldct)画像の雑音化に非常に有望な技術である。
しかし、従来のディープラーニング手法ではペア化ノイズとクリーンなデータセットが必要であり、入手が難しいことが多い。
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。
我々は、自己教師型ノイズ2ノイズモデルとノイズ・アズ・クリーン戦略の組み合わせを採用する。
まず、LDCT画像に2番目に類似したノイズを複数回追加する。
NDCT画像の代わりに,ノイズ・アズ・クリーン・ストラテジーに基づくLDCT画像を用いることに注意。
そして、トレーニング用二次劣化画像のみを用いてノイズ2ノイズモデルを実行する。
タスクを実行するために,共有パラメータを持つ複数の候補からモジュラーu-net構造を選択し,パラメータサイズを増加させることなくレセプティブフィールドを増加させる。
Mayo LDCTデータセットで得られた実験結果は,最先端のディープラーニング手法と比較して提案手法の有効性を示した。
開発コードはhttps://github.com/XYuan01/Self-supervised-Noise2Noise-for-LDCT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) - QS-ADN: Quasi-Supervised Artifact Disentanglement Network for Low-Dose
CT Image Denoising by Local Similarity Among Unpaired Data [10.745277107045949]
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。
論文 参考訳（メタデータ） (2023-02-08T07:19:13Z) - 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) - 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - 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) - 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)
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。