Fugu-MT 論文翻訳(概要): Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising

論文の概要: Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising

arxiv url: http://arxiv.org/abs/2407.15799v1
Date: Mon, 22 Jul 2024 17:04:21 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 14:00:56.249391
Title: Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising
Title（参考訳）: 教師なし磁気共鳴画像復調のためのアンバイアス型リスク推定器の適応的拡張
Authors: Reeshad Khan, Dr. John Gauch, Dr. Ukash Nakarmi,
Abstract要約: ディープニューラルネットワーク(DNN)のイメージデノナイジングへの応用は、従来のデノナイジング手法に挑戦している。本稿では,ガウスノイズとポアソンノイズの関連したMRIデータに対して,これらの手法を包括的に評価する。我々の主な貢献は、SURE、eSURE、特に医療画像のためのePUREフレームワークの効果的適応と実装である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The application of Deep Neural Networks (DNNs) to image denoising has notably challenged traditional denoising methods, particularly within complex noise scenarios prevalent in medical imaging. Despite the effectiveness of traditional and some DNN-based methods, their reliance on high-quality, noiseless ground truth images limits their practical utility. In response to this, our work introduces and benchmarks innovative unsupervised learning strategies, notably Stein's Unbiased Risk Estimator (SURE), its extension (eSURE), and our novel implementation, the Extended Poisson Unbiased Risk Estimator (ePURE), within medical imaging frameworks. This paper presents a comprehensive evaluation of these methods on MRI data afflicted with Gaussian and Poisson noise types, a scenario typical in medical imaging but challenging for most denoising algorithms. Our main contribution lies in the effective adaptation and implementation of the SURE, eSURE, and particularly the ePURE frameworks for medical images, showcasing their robustness and efficacy in environments where traditional noiseless ground truth cannot be obtained.
Abstract（参考訳）: ディープニューラルネットワーク(Deep Neural Networks, DNN)のイメージデノナイジングへの応用は、特に医療画像で発生する複雑なノイズシナリオにおいて、従来のデノナイジング手法に特に挑戦している。従来のDNN法やいくつかのDNN法の有効性にもかかわらず、高品質でノイズのない地上の真理画像に依存しているため、実用性は制限される。これに対応して、我々は、医学画像フレームワークにおける革新的な教師なし学習戦略、特にStein's Unbiased Risk Estimator(SURE)、その拡張(eSURE)、および新しい実装であるExtended Poisson Unbiased Risk Estimator(ePURE)を紹介し、ベンチマークを行った。本稿では,医療画像の典型的なシナリオであるガウスノイズとポアソンノイズが伴うMRIデータに対して,これらの手法を総合的に評価する。我々の主な貢献は、SURE、eSURE、特に医療画像のためのePUREフレームワークの効果的適応と実装であり、従来のノイズのない地上真実が得られない環境において、その堅牢性と有効性を示している。

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 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)
K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文参考訳（メタデータ） (2023-07-10T01:26:48Z)
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)
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)
MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文参考訳（メタデータ） (2022-03-23T10:35:06Z)
AP-BSN: Self-Supervised Denoising for Real-World Images via Asymmetric PD and Blind-Spot Network [60.650035708621786]
ブラインド・スポット・ネットワーク(BSN)とその変種は、自己監督型デノナイジングにおいて大きな進歩を遂げた。自己教師付きBSNを用いて空間的に相関した実世界の雑音に対処することは困難である。近年,実世界の雑音の空間的相関を取り除くために,画素シャッフルダウンサンプリング (PD) が提案されている。本稿では,この問題に対処する非対称PD(AP)を提案する。
論文参考訳（メタデータ） (2022-03-22T15:04:37Z)
Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
論文参考訳（メタデータ） (2021-01-19T16:37:57Z)
Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning [7.61850613267116]
Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。 Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
論文参考訳（メタデータ） (2020-11-06T14:31:08Z)
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)
Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。