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
- Enhancing Low Dose Computed Tomography Images Using Consistency Training Techniques [7.694256285730863]
本稿では,雑音レベル調整の柔軟性を提供するベータノイズ分布について紹介する。
HN-iCT(High Noise Improved Consistency Training)は、教師付き方式で訓練される。
以上の結果より,HN-iCTを用いた非条件画像生成はNFE=1。
論文 参考訳(メタデータ) (2024-11-19T02:48:36Z) - 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) - 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T12:46:36Z) - Convolutional Neural Network to Restore Low-Dose Digital Breast
Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。
平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
論文 参考訳(メタデータ) (2022-03-22T13:31:47Z) - Image reconstruction algorithms in radio interferometry: from
handcrafted to learned denoisers [7.1439425093981574]
本稿では,プラグイン・アンド・プレイ方式にヒントを得た,無線干渉計測のための新しい画像再構成アルゴリズムを提案する。
このアプローチは、ディープニューラルネットワーク(DNN)をノイズとしてトレーニングすることで、事前の画像モデルを学ぶことで構成される。
学習したデノイザをフォワード-バックワード最適化アルゴリズムにプラグインし、デノイザのステップをグラデーション-ディフレッシュなデータ-忠実度ステップで交互に繰り返す単純な反復構造を与える。
論文 参考訳(メタデータ) (2022-02-25T20:26:33Z) - 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) - Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of
Generative Model [24.024765099719886]
反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。
本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。
再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
論文 参考訳(メタデータ) (2020-09-27T06:36:39Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-04-02T17:59:04Z)
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。