論文の概要: Iterative Learning for Joint Image Denoising and Motion Artifact
Correction of 3D Brain MRI
- arxiv url: http://arxiv.org/abs/2403.08162v1
- Date: Wed, 13 Mar 2024 01:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 16:22:54.683576
- Title: Iterative Learning for Joint Image Denoising and Motion Artifact
Correction of 3D Brain MRI
- Title（参考訳）: 共同画像復調と運動アーチファクトの反復学習
3次元脳MRIの矯正
- Authors: Lintao Zhang, Mengqi Wu, Lihong Wang, David C. Steffens, Guy G.
Potter, Mingxia Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.806804196128953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image noise and motion artifacts greatly affect the quality of brain MRI and
negatively influence downstream medical image analysis. Previous studies often
focus on 2D methods that process each volumetric MR image slice-by-slice, thus
losing important 3D anatomical information. Additionally, these studies
generally treat image denoising and artifact correction as two standalone
tasks, without considering their potential relationship, especially on
low-quality images where severe noise and motion artifacts occur
simultaneously. To address these issues, we propose a Joint image Denoising and
motion Artifact Correction (JDAC) framework via iterative learning to handle
noisy MRIs with motion artifacts, consisting of an adaptive denoising model and
an anti-artifact model. In the adaptive denoising model, we first design a
novel noise level estimation strategy, and then adaptively reduce the noise
through a U-Net backbone with feature normalization conditioning on the
estimated noise variance. The anti-artifact model employs another U-Net for
eliminating motion artifacts, incorporating a novel gradient-based loss
function designed to maintain the integrity of brain anatomy during the motion
correction process. These two models are iteratively employed for joint image
denoising and artifact correction through an iterative learning framework. An
early stopping strategy depending on noise level estimation is applied to
accelerate the iteration process. The denoising model is trained with 9,544
T1-weighted MRIs with manually added Gaussian noise as supervision. The
anti-artifact model is trained on 552 T1-weighted MRIs with motion artifacts
and paired motion-free images. Experimental results on a public dataset and a
clinical study suggest the effectiveness of JDAC in both tasks of denoising and
motion artifact correction, compared with several state-of-the-art methods.
- Abstract（参考訳）: 画像ノイズとモーションアーティファクトは、脳MRIの品質に大きく影響し、下流の医療画像解析に悪影響を及ぼす。
従来の研究では、各ボリュームMR画像のスライスをスライスして処理する2D手法に焦点を合わせ、重要な3D解剖学的情報を失うことが多かった。
さらに、これらの研究では、特に重音と動きのアーティファクトが同時に発生する低品質な画像について、潜在的な関係を考慮せずに、画像のデノベーションとアーティファクト修正を2つのスタンドアロンタスクとして扱うことが一般的である。
これらの課題に対処するため, 適応的復調モデルとアンチアーティファクトモデルからなる, ノイズの多いMRIと運動人工物を扱うために, 反復学習によるJDAC(Joint Image Denoising and Motion Artifact Correction)フレームワークを提案する。
適応型雑音レベル推定モデルでは,まず新しい雑音レベル推定法を設計し,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。
これらの2つのモデルは、反復学習フレームワークを通じて、共同画像の復調とアーティファクト修正に反復的に使用される。
ノイズレベル推定による早期停止戦略を適用し、繰り返し処理を高速化する。
ディノナイジングモデルは9,544個のT1重み付きMRIでトレーニングされ、手動でガウスノイズを監督する。
アンチアーティファクトモデルは、モーションアーティファクトとペアのモーションフリーイメージを備えた52T1強調MRIでトレーニングされている。
公的なデータセットと臨床研究の実験的結果は、いくつかの最先端手法と比較して、騒音修正と運動アーチファクト修正の両タスクにおけるJDACの有効性を示唆している。
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) - Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
運動は臨床MRIの約30%に存在していると推定されている。
深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。
画像と正しい動きを同時に高速化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-28T02:16:35Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。
我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。
我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-07-08T14:59:41Z) - 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) - 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) - Denoising of Three-Dimensional Fast Spin Echo Magnetic Resonance Images
of Knee Joints using Spatial-Variant Noise-Relevant Residual Learning of
Convolution Neural Network [0.0]
2次元高速スピンエコー法(FSE)は, 膝関節のMRIにおいて中心的な役割を担っている。
3D FSEは膝関節の高等方性磁気共鳴(MR)像を提供するが、2D FSEと比較して信号と雑音の比が低い。
ディープラーニング復調法はMR画像の復調に有望な手法であるが,合成ノイズを用いて訓練されることも多い。
論文 参考訳（メタデータ） (2022-04-21T03:45:11Z) - Autofocusing+: Noise-Resilient Motion Correction in Magnetic Resonance
Imaging [1.7277957019593995]
本稿では,従来の最適化手法であるAutofocusingを強化するために,ニューラルネットワークに基づく正規化項を提案する。
最適化に基づくルーチンは、非現実的な復元のためにブラインド・デモーションとディープ・ラーニング・ベースの事前罰を反復的に実行し、収束を加速する。
論文 参考訳（メタデータ） (2022-03-10T12:49:29Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z)
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。