論文の概要: Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for
Gaussian Denoising for the Downstream Task of Image Enhancement
- arxiv url: http://arxiv.org/abs/2403.03551v1
- Date: Wed, 6 Mar 2024 08:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 15:47:26.802644
- Title: Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for
Gaussian Denoising for the Downstream Task of Image Enhancement
- Title（参考訳）: gaussian denoising用unetの微調整による低線量ct画像再構成
- Authors: Tim Selig, Thomas M\"arz, Martin Storath, Andreas Weinmann
- Abstract要約: Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。
本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。
提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
- 参考スコア（独自算出の注目度）: 3.7960472831772765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed Tomography (CT) is a widely used medical imaging modality, and as it
is based on ionizing radiation, it is desirable to minimize the radiation dose.
However, a reduced radiation dose comes with reduced image quality, and
reconstruction from low-dose CT (LDCT) data is still a challenging task which
is subject to research. According to the LoDoPaB-CT benchmark, a benchmark for
LDCT reconstruction, many state-of-the-art methods use pipelines involving
UNet-type architectures. Specifically the top ranking method, ItNet, employs a
three-stage process involving filtered backprojection (FBP), a UNet trained on
CT data, and an iterative refinement step. In this paper, we propose a less
complex two-stage method. The first stage also employs FBP, while the novelty
lies in the training strategy for the second stage, characterized as the CT
image enhancement stage. The crucial point of our approach is that the neural
network is pretrained on a distinctly different pretraining task with non-CT
data, namely Gaussian noise removal on a variety of natural grayscale images
(photographs). We then fine-tune this network for the downstream task of CT
image enhancement using pairs of LDCT images and corresponding normal-dose CT
images (NDCT). Despite being notably simpler than the state-of-the-art, as the
pretraining did not depend on domain-specific CT data and no further iterative
refinement step was necessary, the proposed two-stage method achieves
competitive results. The proposed method achieves a shared top ranking in the
LoDoPaB-CT challenge and a first position with respect to the SSIM metric.
- Abstract（参考訳）: CT(Computed Tomography)は医用画像モダリティとして広く用いられており、電離放射線に基づくため、放射線線量を最小限にすることが望ましい。
しかし、放射線線量削減は画像品質の低下を伴うため、低線量CT(LDCT)データからの再構成は依然として研究の対象となる課題である。
LDCT再構成のベンチマークであるLoDoPaB-CTベンチマークによると、多くの最先端メソッドはUNet型アーキテクチャを含むパイプラインを使用する。
具体的には、トップランク法であるItNetでは、フィルタバックプロジェクション(FBP)、CTデータに基づいてトレーニングされたUNet、反復的な改善ステップを含む3段階のプロセスを採用している。
本稿では,より複雑な2段階法を提案する。
第1段階もFBPを使用し、第2段階のトレーニング戦略には新規性があり、CT画像強調段階として特徴付けられる。
我々のアプローチの重要な点は、ニューラルネットワークが非CTデータ、すなわち様々な自然グレイスケール画像(写真)上のガウスノイズ除去によって、明らかに異なる事前訓練タスクで事前訓練されていることである。
次に、LDCT画像とそれに対応する正常線量CT画像(NDCT)を用いて、CT画像強調の下流タスクのために、このネットワークを微調整する。
プレトレーニングはドメイン固有のCTデータに依存しず、さらなる反復的な精錬ステップは不要であるため、最先端技術よりも明らかに単純であるにもかかわらず、提案した2段階の手法は競合的な結果が得られる。
提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
関連論文リスト
- CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:38:30Z) - 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) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。
これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。
これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。
我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文 参考訳（メタデータ） (2023-07-02T11:09:08Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising [10.854795474105366]
低線量CT画像のデノイングは医用画像処理において重要な課題である。
既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。
低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
論文 参考訳（メタデータ） (2023-05-25T09:38:52Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Self-Supervised Training For Low Dose CT Reconstruction [0.0]
本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。
ノイズが要素的に独立な射影領域に自己超越原理を適用する。
提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-25T22:02:14Z) - Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose
CT Denoising [0.0]
低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。
平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。
提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
論文 参考訳（メタデータ） (2020-06-26T00:35:26Z)
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。