論文の概要: Untrained Perceptual Loss for image denoising of line-like structures in MR images

• arxiv url: http://arxiv.org/abs/2411.05884v1
• Date: Fri, 08 Nov 2024 10:05:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:41.850836
• Title: Untrained Perceptual Loss for image denoising of line-like structures in MR images
• Title（参考訳）: MR画像における線状構造の非拘束知覚損失
• Authors: Elisabeth Pfaehler, Daniel Pflugfelder, Hanno Scharr,
• Abstract要約: 本稿では,2次元データに対して行ったような損失関数における未学習ネットワークの特徴マップを比較して,知覚損失を3次元データに変換する。 脳血管画像(MR Angiograms - MRA)と土壌中の植物根画像のMR画像の3次元画像化において,uPL(untrained Perceptual Loss)の性能について検討した。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License:
• Abstract: In the acquisition of Magnetic Resonance (MR) images shorter scan times lead to higher image noise. Therefore, automatic image denoising using deep learning methods is of high interest. MR images containing line-like structures such as roots or vessels yield special characteristics as they display connected structures and yield sparse information. For this kind of data, it is important to consider voxel neighborhoods when training a denoising network. In this paper, we translate the Perceptual Loss to 3D data by comparing feature maps of untrained networks in the loss function as done previously for 2D data. We tested the performance of untrained Perceptual Loss (uPL) on 3D image denoising of MR images displaying brain vessels (MR angiograms - MRA) and images of plant roots in soil. We investigate the impact of various uPL characteristics such as weight initialization, network depth, kernel size, and pooling operations on the results. We tested the performance of the uPL loss on four Rician noise levels using evaluation metrics such as the Structural Similarity Index Metric (SSIM). We observe, that our uPL outperforms conventional loss functions such as the L1 loss or a loss based on the Structural Similarity Index Metric (SSIM). The uPL network's initialization is not important, while network depth and pooling operations impact denoising performance. E.g. for both datasets a network with five convolutional layers led to the best performance while a network with more layers led to a performance drop. We also find that small uPL networks led to better or comparable results than using large networks such as VGG. We observe superior performance of our loss for both datasets, all noise levels, and three network architectures. In conclusion, for images containing line-like structures, uPL is an alternative to other loss functions for 3D image denoising.
• Abstract（参考訳）: 磁気共鳴(MR)画像の取得では、スキャン時間の短縮が画像ノイズの増大につながる。 したがって,ディープラーニング手法を用いた自動画像認識が注目されている。 ルートや容器などの線状構造を含むMR画像は、連結構造を表示し、スパース情報を出力するので、特別な特性が得られる。 この種のデータには、デノナイジングネットワークをトレーニングする際、ボクセル地区を考慮することが重要である。 本稿では,2次元データに対して行ったような損失関数における未学習ネットワークの特徴マップを比較して,知覚損失を3次元データに変換する。 脳血管画像(MR Angiograms - MRA)と土壌中の植物根画像のMR画像の3次元画像化において,uPL(untrained Perceptual Loss)の性能について検討した。 重み初期化,ネットワーク深さ,カーネルサイズ,プール操作などの uPL 特性が結果に与える影響について検討する。 SSIM (Structuor similarity Index Metric) などの評価指標を用いて, 4つのリッチ雑音レベルにおけるuPL損失の評価を行った。 我々の uPL は,構造類似度指標(SSIM)に基づいて,L1 損失や損失などの従来の損失関数よりも優れていた。 uPLネットワークの初期化は重要ではなく、ネットワーク深さとプール操作は性能を損なう。 例えば、両方のデータセットに対して、5つの畳み込みレイヤを持つネットワークは最高のパフォーマンスをもたらし、より多くのレイヤを持つネットワークはパフォーマンス低下につながった。 また,小型の uPL ネットワークは VGG などの大規模ネットワークよりも,より優れた,あるいは同等な結果をもたらすことがわかった。 両方のデータセット、すべてのノイズレベル、および3つのネットワークアーキテクチャにおける損失の優れたパフォーマンスを観察します。 結論として、線状構造を含む画像の場合、uPLは他の3次元画像の損失関数の代替となる。

関連論文リスト

• Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
  GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。 本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。 また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
  論文  参考訳（メタデータ） (2024-03-25T11:28:52Z)
• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• NeighCNN: A CNN based SAR Speckle Reduction using Feature preserving Loss Function [1.7188280334580193]
  NeighCNNは、乗法ノイズを処理するディープラーニングベースのスペックル削減アルゴリズムである。 様々な合成、および実際のSAR画像は、NeighCNNアーキテクチャのテストに使用される。
  論文  参考訳（メタデータ） (2021-08-26T04:20:07Z)
• Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction [1.5749416770494706]
  3次元光音響トモグラフィ(PAT)における人工物補正のための改良畳み込みニューラルネットワーク (CNN) アーキテクチャ Dense Dilation UNet (DD-UNET) を提案する。 FD-UNet (Fully Dense UNet) のマルチスケール構造類似度指標で測定した画像品質の観点から,提案したCNNを比較した。 その結果、DD-NetはFD-UNetを一貫して上回り、より小さな画像の特徴をより確実に再構築できることを示した。
  論文  参考訳（メタデータ） (2021-04-07T14:01:48Z)
• A Retinex based GAN Pipeline to Utilize Paired and Unpaired Datasets for Enhancing Low Light Images [0.0]
  本稿では,ペアとアンペアの両方のデータセットから学習可能な,新しいディープラーニングパイプラインを提案する。 標準損失を最小限にするために最適化されたCNNと、敵損失を最小限にするために最適化されたGAN(Generative Adversarial Networks)を使用する。
  論文  参考訳（メタデータ） (2020-06-27T07:12:21Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)
• Y-net: Multi-scale feature aggregation network with wavelet structure similarity loss function for single image dehazing [18.479856828292935]
  本稿では,その構造から命名されたY-netを提案する。 このネットワークは、マルチスケールの特徴マップを集約することで、鮮明な画像を再構成する。 また、トレーニングステップにおいてウェーブレット構造シミュラリティ(W-SSIM)損失関数を提案する。
  論文  参考訳（メタデータ） (2020-03-31T02:07:33Z)

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。