論文の概要: Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection
- arxiv url: http://arxiv.org/abs/2403.02750v1
- Date: Tue, 5 Mar 2024 08:08:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 15:39:07.101041
- Title: Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection
- Title（参考訳）: スキップ接続型デノイングオートエンコーダを用いた超音波画像のスペックルノイズ低減
- Authors: Suraj Bhute, Subhamoy Mandal, Debashree Guha
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19116784879310028
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Ultrasound is a widely used medical tool for non-invasive diagnosis, but its
images often contain speckle noise which can lower their resolution and
contrast-to-noise ratio. This can make it more difficult to extract, recognize,
and analyze features in the images, as well as impair the accuracy of
computer-assisted diagnostic techniques and the ability of doctors to interpret
the images. Reducing speckle noise, therefore, is a crucial step in the
preprocessing of ultrasound images. Researchers have proposed several speckle
reduction methods, but no single method takes all relevant factors into
account. In this paper, we compare seven such methods: Median, Gaussian,
Bilateral, Average, Weiner, Anisotropic and Denoising auto-encoder without and
with skip connections in terms of their ability to preserve features and edges
while effectively reducing noise. In an experimental study, a convolutional
noise-removing auto-encoder with skip connection, a deep learning method, was
used to improve ultrasound images of breast cancer. This method involved adding
speckle noise at various levels. The results of the deep learning method were
compared to those of traditional image enhancement methods, and it was found
that the proposed method was more effective. To assess the performance of these
algorithms, we use three established evaluation metrics and present both
filtered images and statistical data.
- Abstract（参考訳）: 超音波は非侵襲的な診断に広く用いられる医療ツールであるが、画像にはスペックルノイズが含まれており、解像度とコントラストとノイズ比を下げることができる。
これにより、画像の特徴の抽出、認識、分析がより困難になるだけでなく、コンピュータ支援診断技術の精度や医師による画像の解釈能力が損なわれる可能性がある。
したがってスペックルノイズの低減は超音波画像の前処理において重要なステップである。
研究者はいくつかのスペックル削減法を提案したが、関連する全ての要素を考慮する方法はない。
本稿では,ノイズを効果的に低減しながら特徴やエッジを保存できるという点で,正中性,ガウス性,両側性,平均値,ワイナー値,異方性,雑音除去型オートエンコーダの7つの手法を比較した。
本研究では, 乳がんの超音波画像改善のために, スキップ接続を有する畳み込みノイズ除去オートエンコーダ, ディープラーニング法を用いた。
この方法は様々なレベルでスペックルノイズを付加する。
深層学習法の結果を従来の画像強調法と比較したところ,提案法の方が有効であることが判明した。
これらのアルゴリズムの性能を評価するために、確立された3つの評価指標を使用し、フィルタ画像と統計的データの両方を提示する。
関連論文リスト
- Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。
NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文 参考訳（メタデータ） (2024-11-16T16:24:28Z) - Denoising OCT Images Using Steered Mixture of Experts with Multi-Model
Inference [0.4452997112759916]
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。
論文 参考訳（メタデータ） (2024-02-20T06:00:42Z) - Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。
本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。
スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
論文 参考訳（メタデータ） (2023-06-12T21:53:32Z) - 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) - Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering
Without Clean Data [48.81200490360736]
超音波画像では、組織の均質領域の出現はスペックルの対象となる。
従来のフィルタリング技術の多くは手作りであり、しばしば現在のハードウェア、撮像方式、アプリケーションに微調整する必要がある。
本稿では,これらの制約を伴わない深層学習に基づくスペックル除去手法を提案する。
論文 参考訳（メタデータ） (2022-07-31T09:17:32Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - 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) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-28T14:56:45Z) - 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) - 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。