論文の概要: Medical Image Denosing via Explainable AI Feature Preserving Loss
- arxiv url: http://arxiv.org/abs/2310.20101v2
- Date: Tue, 7 Nov 2023 20:41:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 18:33:42.880481
- Title: Medical Image Denosing via Explainable AI Feature Preserving Loss
- Title（参考訳）: 説明可能なAI機能による医療画像のデノシング
- Authors: Guanfang Dong and Anup Basu
- Abstract要約: 本稿では,様々な種類のノイズを効率よく除去するだけでなく,その過程で重要な医療的特徴を保存できる新しい医用画像のデノライズ手法を提案する。
我々の特徴保存損失関数は、勾配に基づくXAIが雑音に敏感であるという特徴に動機付けられている。
- 参考スコア（独自算出の注目度）: 7.027732392103466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Denoising algorithms play a crucial role in medical image processing and
analysis. However, classical denoising algorithms often ignore explanatory and
critical medical features preservation, which may lead to misdiagnosis and
legal liabilities. In this work, we propose a new denoising method for medical
images that not only efficiently removes various types of noise, but also
preserves key medical features throughout the process. To achieve this goal, we
utilize a gradient-based eXplainable Artificial Intelligence (XAI) approach to
design a feature preserving loss function. Our feature preserving loss function
is motivated by the characteristic that gradient-based XAI is sensitive to
noise. Through backpropagation, medical image features before and after
denoising can be kept consistent. We conducted extensive experiments on three
available medical image datasets, including synthesized 13 different types of
noise and artifacts. The experimental results demonstrate the superiority of
our method in terms of denoising performance, model explainability, and
generalization.
- Abstract（参考訳）: 診断アルゴリズムは、医療画像処理と分析において重要な役割を果たす。
しかし、古典的な弁別アルゴリズムはしばしば説明的・批判的な医学的特徴の保存を無視し、誤診や法的負債につながる可能性がある。
本研究では,様々な種類のノイズを効果的に除去するだけでなく,その過程で重要な医療的特徴を保存できる医用画像のデノージング手法を提案する。
この目的を達成するために、勾配に基づくeXplainable Artificial Intelligence (XAI) アプローチを用いて特徴保存損失関数を設計する。
我々の特徴保存損失関数は、勾配に基づくxaiが雑音に敏感な特性によって動機づけられている。
バックプロパゲーションにより、デノベーション前後の医用画像の特徴を一定に保つことができる。
13種類のノイズ・アーティファクトを含む3種類の医用画像データセットについて広範な実験を行った。
実験結果は,性能,モデル説明可能性,一般化の観点から,本手法の優位性を示すものである。
関連論文リスト
- Unsupervised Training of a Dynamic Context-Aware Deep Denoising Framework for Low-Dose Fluoroscopic Imaging [6.130738760059542]
フルオロスコープは医用画像におけるリアルタイムX線可視化に重要である。
低線量画像はノイズによって損なわれ、診断精度に影響を及ぼす可能性がある。
蛍光画像系列を動的に認識する教師なし学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T13:39:31Z) - Iterative Learning for Joint Image Denoising and Motion Artifact
Correction of 3D Brain MRI [11.806804196128953]
本稿では, 動きアーチファクトを用いたノイズの多いMRIの処理を反復学習により行うJDAC(Joint Image Denoising and Motion Artifact Correction)フレームワークを提案する。
まず,新しい雑音レベル推定手法を設計し,推定雑音分散に基づく特徴正規化条件付きU-Netバックボーンによる雑音を適応的に低減する。
アンチアーティファクトモデルは、運動補正プロセス中に脳解剖の整合性を維持するために設計された、新しい勾配に基づく損失関数を組み込んだ、運動アーティファクトの除去に別のU-Netを使用している。
論文 参考訳（メタデータ） (2024-03-13T01:18:55Z) - Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection [0.19116784879310028]
超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。
これにより、画像の特徴を抽出、認識、分析することがより困難になる。
研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
論文 参考訳（メタデータ） (2024-03-05T08:08:59Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T08:11:27Z) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - 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) - A Universal Deep Learning Framework for Real-Time Denoising of
Ultrasound Images [0.0]
超音波画像のリアルタイムデノライゼーションのための普遍的ディープラーニングフレームワークを定義した。
超音波画像の平滑化のための最先端手法の解析と比較を行った。
そこで本研究では,選択された最新デノイジング手法のチューニング版を提案する。
論文 参考訳（メタデータ） (2021-01-22T14:18:47Z) - Do Noises Bother Human and Neural Networks In the Same Way? A Medical
Image Analysis Perspective [20.40395704320726]
アプリケーション指向のデノナイズフレームワークを導入し、次のニューラルネットワークのデノナイズに焦点を当てる。
実験結果から,提案手法は人間の視覚的認知ネットワークよりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-11-04T06:58:09Z) - 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) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳（メタデータ） (2020-06-10T21:28:13Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。