論文の概要: Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume

• arxiv url: http://arxiv.org/abs/2411.10831v1
• Date: Sat, 16 Nov 2024 16:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:27:29.188880
• Title: Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume
• Title（参考訳）: 隣のスライスノイズ2ノイズ:単一ノイズ画像から自己監督された医療画像
• Authors: Langrui Zhou, Ziteng Zhou, Xinyu Huang, Xiangyu Zhang, Huiru Wang, Guang Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.077993066353294
• License:
• Abstract: In the last few years, with the rapid development of deep learning technologies, supervised methods based on convolutional neural networks have greatly enhanced the performance of medical image denoising. However, these methods require large quantities of noisy-clean image pairs for training, which greatly limits their practicality. Although some researchers have attempted to train denoising networks using only single noisy images, existing self-supervised methods, including blind-spot-based and data-splitting-based methods, heavily rely on the assumption that noise is pixel-wise independent. However, this assumption often does not hold in real-world medical images. Therefore, in the field of medical imaging, there remains a lack of simple and practical denoising methods that can achieve high-quality denoising performance using only single noisy images. In this paper, we propose a novel self-supervised medical image denoising method, Neighboring Slice Noise2Noise (NS-N2N). The proposed method utilizes neighboring slices within a single noisy image volume to construct weighted training data, and then trains the denoising network using a self-supervised scheme with regional consistency loss and inter-slice continuity loss. NS-N2N only requires a single noisy image volume obtained from one medical imaging procedure to achieve high-quality denoising of the image volume itself. Extensive experiments demonstrate that the proposed method outperforms state-of-the-art self-supervised denoising methods in both denoising performance and processing efficiency. Furthermore, since NS-N2N operates solely in the image domain, it is free from device-specific issues such as reconstruction geometry, making it easier to apply in various clinical practices.
• Abstract（参考訳）: 近年,深層学習技術の急速な発展に伴い,畳み込みニューラルネットワークに基づく教師あり手法により,医用画像復調性能が大幅に向上した。 しかし、これらの手法は訓練に大量のノイズクリーンな画像対を必要とするため、実用性は大きく制限される。 一部の研究者は、単一ノイズ画像のみを用いてノイズネットワークを訓練しようと試みているが、既存の自己管理手法(盲点ベースやデータスプリッティングベースなど)は、ノイズがピクセル単位で独立であるという仮定に大きく依存している。 しかし、この仮定は現実世界の医療画像には当てはまらないことが多い。 したがって, 医用画像の分野では, 単一ノイズ画像のみを用いて, 高品質なノイズ除去性能を実現するための, 単純かつ実用的なノイズ除去手法が欠如している。 そこで本稿では,N2N(Norboring Slice Noise2Noise)という,自己監督型医用画像認識手法を提案する。 提案手法は,1つのノイズ画像量内の近傍スライスを用いて重み付きトレーニングデータを構築し,局所的な一貫性損失とスライス間連続損失を有する自己教師付きスキームを用いてデノナイジングネットワークを訓練する。 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。 広汎な実験により,提案手法は性能評価と処理効率の両面で最先端の自己監督型遮音法より優れていた。 さらに、NS-N2Nは画像領域でのみ動作するため、再構成幾何学などのデバイス固有の問題がなく、様々な臨床実践に容易に適用できる。

関連論文リスト

• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• 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)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging [0.0]
  Deformed2Selfは動的撮像のためのエンドツーエンドの自己教師型ディープラーニングフレームワークである。 シングルイメージとマルチイメージのデノゲーションを組み合わせて画像品質を改善し、空間トランスフォーマーネットワークを使用して異なるスライス間の動きをモデル化する。
  論文  参考訳（メタデータ） (2021-06-23T05:50:19Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
  本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。 また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
  論文  参考訳（メタデータ） (2020-12-07T12:13:17Z)
• 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)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• 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)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)

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。