論文の概要: LoMAE: Low-level Vision Masked Autoencoders for Low-dose CT Denoising
- arxiv url: http://arxiv.org/abs/2310.12405v1
- Date: Thu, 19 Oct 2023 01:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 17:27:56.553440
- Title: LoMAE: Low-level Vision Masked Autoencoders for Low-dose CT Denoising
- Title（参考訳）: LoMAE:低線量CT用低レベル視覚マスク付きオートエンコーダ
- Authors: Dayang Wang, Yongshun Xu, Shuo Han, Zhan Wu, Li Zhou, Bahareh
Morovati, Hengyong Yu
- Abstract要約: Masked Autoencoders (MAE) は、トランスフォーマーの効果的なラベルなし自己調整法として認識されている。
我々は,MAE/LoMAEの潜伏学習機構に光を当てるためのMAE-GradCAM法を提案する。
実験により,提案したLoMAEは変圧器の遮音性能を向上し,真理クリーンデータへの依存を大幅に軽減できることが示された。
- 参考スコア（独自算出の注目度）: 5.251624007533231
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-dose computed tomography (LDCT) offers reduced X-ray radiation exposure
but at the cost of compromised image quality, characterized by increased noise
and artifacts. Recently, transformer models emerged as a promising avenue to
enhance LDCT image quality. However, the success of such models relies on a
large amount of paired noisy and clean images, which are often scarce in
clinical settings. In the fields of computer vision and natural language
processing, masked autoencoders (MAE) have been recognized as an effective
label-free self-pretraining method for transformers, due to their exceptional
feature representation ability. However, the original pretraining and
fine-tuning design fails to work in low-level vision tasks like denoising. In
response to this challenge, we redesign the classical encoder-decoder learning
model and facilitate a simple yet effective low-level vision MAE, referred to
as LoMAE, tailored to address the LDCT denoising problem. Moreover, we
introduce an MAE-GradCAM method to shed light on the latent learning mechanisms
of the MAE/LoMAE. Additionally, we explore the LoMAE's robustness and
generability across a variety of noise levels. Experiments results show that
the proposed LoMAE can enhance the transformer's denoising performance and
greatly relieve the dependence on the ground truth clean data. It also
demonstrates remarkable robustness and generalizability over a spectrum of
noise levels.
- Abstract（参考訳）: 低線量CT(LDCT)は、X線被曝を低減させるが、ノイズやアーティファクトの増大を特徴とする画像品質を損なう。
近年,LDCT画像の品質向上のためのトランスフォーマーモデルが提案されている。
しかし、このようなモデルの成功は、多くのノイズとクリーンな画像に依存しており、臨床環境では不十分であることが多い。
コンピュータビジョンや自然言語処理の分野では、マスク付きオートエンコーダ(mae)は、その優れた特徴表現能力のため、トランスフォーマーのラベルフリーな自己学習方法として認識されている。
しかし、当初の事前学習と微調整の設計は、デノイジングのような低レベルのビジョンタスクでは機能しない。
この課題に対応して,従来のエンコーダ・デコーダ学習モデルを再設計し,LDCT復号化問題に対処するために,LoMAEと呼ばれるシンプルな低レベルビジョンMAEを実現する。
さらに,MAE/LoMAEの潜伏学習機構に光を当てるためのMAE-GradCAM法を提案する。
さらに,LoMAEの頑健性と生成性について,様々なノイズレベルにわたって検討する。
実験の結果,提案するlomaeは変圧器の消音性能を向上し,地上真理データへの依存を大幅に緩和できることがわかった。
また、ノイズレベルのスペクトルに対して顕著な堅牢性と一般化性を示す。
関連論文リスト
- DenoMamba: A fused state-space model for low-dose CT denoising [6.468495781611433]
低線量CT(LDCT)は放射線曝露に伴う潜在的なリスクを低くする。
LDCT denoisingは、基礎となる組織信号からの線量減少によって引き起こされるノイズを分離するために、データ駆動画像の事前学習を行うニューラルネットワークモデルに基づいている。
DenoMambaは、状態空間モデリング(SSM)に基づく、医療画像の短距離および長距離コンテキストを効率的にキャプチャする新しいデノナイジング手法である。
論文 参考訳（メタデータ） (2024-09-19T21:32:07Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。
我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。
我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-07-08T14:59:41Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Masked Autoencoders for Low dose CT denoising [9.575051352192697]
Masked Autoencoders (MAE) は, 変圧器のラベルフリー自己調整手法として提案されている。
我々は,従来のエンコーダ・デコーダ学習モデルを再設計し,これをLDCT復調問題に適用する。
論文 参考訳（メタデータ） (2022-10-10T18:27:58Z) - TED-net: Convolution-free T2T Vision Transformer-based Encoder-decoder
Dilation network for Low-dose CT Denoising [5.2227817530931535]
LDCT復号アルゴリズムのファミリを充実させるために,畳み込みフリーの視覚変換器ベースデコーダディレーションネットワーク(TED-net)を提案する。
AAPM-MayoクリニックLDCTグランドチャレンジデータセットを用いて,本モデルの評価を行った。
論文 参考訳（メタデータ） (2021-06-08T19:26:55Z) - Noise Conscious Training of Non Local Neural Network powered by Self
Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。
そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。
次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
論文 参考訳（メタデータ） (2020-11-11T10:44:52Z) - Progressive Training of Multi-level Wavelet Residual Networks for Image
Denoising [80.10533234415237]
本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。
人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-10-23T14:14:00Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Self-supervised Denoising via Diffeomorphic Template Estimation:
Application to Optical Coherence Tomography [6.197149831796131]
本稿では, 動き変形を繰り返し取得する際の自己教師型 denoising の利用を可能にする, 共同微分型テンプレート推定およびデノナイジングフレームワークを提案する。
OCT画像のノイズ化には質的,定量的な改善が見られ,マルチ露光に適応可能な画像モダリティに汎用性が期待できる。
論文 参考訳（メタデータ） (2020-08-18T16:52:10Z)
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。