Fugu-MT 論文翻訳(概要): Denoising OCT Images Using Steered Mixture of Experts with Multi-Model Inference

論文の概要: Denoising OCT Images Using Steered Mixture of Experts with Multi-Model Inference

arxiv url: http://arxiv.org/abs/2402.12735v2
Date: Sat, 24 Feb 2024 03:46:13 GMT
ステータス: 処理完了
システム内更新日: 2024-02-27 23:51:41.832809
Title: Denoising OCT Images Using Steered Mixture of Experts with Multi-Model Inference
Title（参考訳）: マルチモデル推論を用いたsteered mixed of expertsを用いたoct画像のノイズ除去
Authors: Ayta\c{c} \"Ozkan, Elena Stoykova, Thomas Sikora and Violeta Madjarova
Abstract要約: マルチモデル推論とオートエンコーダ(BM-SMoE-AE)を用いたブロックマッチングステアリング本研究では,マルチモデル推論とオートエンコーダ(BM-SMoE-AE)を用いた新しいデノナイズアルゴリズム,Block-Matching Steered-Mixture of Expertsを紹介する。
参考スコア（独自算出の注目度）: 0.4452997112759916
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In Optical Coherence Tomography (OCT), speckle noise significantly hampers image quality, affecting diagnostic accuracy. Current methods, including traditional filtering and deep learning techniques, have limitations in noise reduction and detail preservation. Addressing these challenges, this study introduces a novel denoising algorithm, Block-Matching Steered-Mixture of Experts with Multi-Model Inference and Autoencoder (BM-SMoE-AE). This method combines block-matched implementation of the SMoE algorithm with an enhanced autoencoder architecture, offering efficient speckle noise reduction while retaining critical image details. Our method stands out by providing improved edge definition and reduced processing time. Comparative analysis with existing denoising techniques demonstrates the superior performance of BM-SMoE-AE in maintaining image integrity and enhancing OCT image usability for medical diagnostics.
Abstract（参考訳）: 光コヒーレンス断層撮影(oct)では、スペックルノイズが画像品質を著しく阻害し、診断精度に影響を及ぼす。従来のフィルタリングやディープラーニング技術を含む現在の手法は、ノイズ低減と詳細保存に制限がある。これらの課題に対処し,マルチモデル推論とオートエンコーダ(bm-smoe-ae)を用いたブロックマッチング混合アルゴリズムを提案する。本手法は,SMoEアルゴリズムのブロックマッチング実装と拡張オートエンコーダアーキテクチャを組み合わせることで,重要な画像の詳細を保持しつつ,効率的なスペックルノイズ低減を実現する。エッジ定義の改善と処理時間の短縮により,提案手法は際立っている。既存の denoising 技術との比較分析により,画像整合性維持と OCT 画像の有用性向上に BM-SMoE-AE の優れた性能が示された。

関連論文リスト

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)
Self-supervised OCT Image Denoising with Slice-to-Slice Registration and Reconstruction [5.972377737617966]
構造保存ノイズ低減のための学習に基づく自己教師手法は,従来の手法よりも優れた性能を示した。我々は,OCT画像復調に適したエンドツーエンドの自己教師型学習フレームワークを新たに導入する。
論文参考訳（メタデータ） (2023-11-26T02:45:16Z)
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)
Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文参考訳（メタデータ） (2023-05-17T13:56:48Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)
De-Noising of Photoacoustic Microscopy Images by Deep Learning [0.9786690381850356]
光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
論文参考訳（メタデータ） (2022-01-12T05:13:57Z)
Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。スペクトルct材料分解の数値的および実験的結果を示す。
論文参考訳（メタデータ） (2021-03-25T15:20:10Z)
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)
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)
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)

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。