論文の概要: Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising
- arxiv url: http://arxiv.org/abs/2411.19549v1
- Date: Fri, 29 Nov 2024 08:51:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:21:16.532633
- Title: Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising
- Title（参考訳）: 文脈チェッカーボードデノイズ - OCT画像デノイズ化のためのニューラルネットワークに基づく新しいアプローチ
- Authors: Md. Touhidul Islam, Md. Abtahi M. Chowdhury, Sumaiya Salekin, Aye T. Maung, Akil A. Taki, Hafiz Imtiaz,
- Abstract要約: 我々は、ノイズの多い画像のデータセットのみから雑音を学習できる新しいニューラルネットワークベースの手法、emphContextual Checkerboard Denoisingを導入する。
提案手法は画像品質を大幅に改善し,より鮮明で詳細なOCT画像を提供するとともに,診断精度を向上する。
- 参考スコア（独自算出の注目度）: 1.8032335403003321
- License:
- Abstract: In contrast to non-medical image denoising, where enhancing image clarity is the primary goal, medical image denoising warrants preservation of crucial features without introduction of new artifacts. However, many denoising methods that improve the clarity of the image, inadvertently alter critical information of the denoised images, potentially compromising classification performance and diagnostic quality. Additionally, supervised denoising methods are not very practical in medical image domain, since a \emph{ground truth} denoised version of a noisy medical image is often extremely challenging to obtain. In this paper, we tackle both of these problems by introducing a novel neural network based method -- \emph{Contextual Checkerboard Denoising}, that can learn denoising from only a dataset of noisy images, while preserving crucial anatomical details necessary for image classification/analysis. We perform our experimentation on real Optical Coherence Tomography (OCT) images, and empirically demonstrate that our proposed method significantly improves image quality, providing clearer and more detailed OCT images, while enhancing diagnostic accuracy.
- Abstract（参考訳）: 画像の明瞭度を高めることが第一の目的である非医療的画像認識とは対照的に、医療的画像認知は新しいアーティファクトを導入することなく重要な特徴の保存を保証している。
しかし, 画像の明瞭度を向上し, 画像の臨界情報を不注意に変化させ, 分類性能と診断品質を損なう可能性がある。
また, 医用画像領域では, ノイズの多い医用画像の "emph{ground truth}" 復号化バージョンを入手することが極めて難しいため, 教師付き復号法は実用的ではない。
本稿では,これら2つの問題に,画像分類・解析に必要な重要な解剖学的詳細を保存しつつ,ノイズの多い画像のデータセットのみからノイズの除去を学習する,新しいニューラルネットワークベースの手法, \emph{Contextual Checkerboard Denoising}を導入することで対処する。
我々は,実光コヒーレンス・トモグラフィ(OCT)画像を用いて実験を行い,提案手法が画像品質を著しく向上し,より鮮明で詳細なOCT画像を提供するとともに,診断精度を向上させることを実証した。
関連論文リスト
- Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - 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) - Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。
提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。
提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文 参考訳（メタデータ） (2023-03-23T09:33:44Z) - Lesion-Inspired Denoising Network: Connecting Medical Image Denoising
and Lesion Detection [6.170271503640482]
LIDnet(Lesion-Inspired Denoising Network)を提案し、デノイジング性能と病変検出精度を向上させます。
実験により, LIDnetを装着することにより, ベースライン法におけるノイズ検出と病変検出の両性能を著しく向上できることが示された。
論文 参考訳（メタデータ） (2021-04-18T12:53:36Z) - Noise Conscious Training of Non Local Neural Network powered by Self
Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。
そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。
次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
論文 参考訳（メタデータ） (2020-11-11T10:44:52Z) - Do Noises Bother Human and Neural Networks In the Same Way? A Medical
Image Analysis Perspective [20.40395704320726]
アプリケーション指向のデノナイズフレームワークを導入し、次のニューラルネットワークのデノナイズに焦点を当てる。
実験結果から,提案手法は人間の視覚的認知ネットワークよりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-11-04T06:58:09Z) - 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) - A CNN-Based Blind Denoising Method for Endoscopic Images [19.373025463383385]
低画質の内視鏡画像が多数存在するのは,GI領域の照明や複雑な環境が限られているためである。
本稿では,内視鏡画像のための畳み込み型ブラインドデノイングネットワークを提案する。
論文 参考訳（メタデータ） (2020-03-16T03:11:11Z) - Deep Learning on Image Denoising: An overview [92.07378559622889]
画像認知におけるディープテクニックの比較研究を行っている。
まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。
次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
論文 参考訳（メタデータ） (2019-12-31T05:03:57Z) - 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。