論文の概要: Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images

• arxiv url: http://arxiv.org/abs/2501.14198v2
• Date: Wed, 12 Mar 2025 02:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:34:54.120723
• Title: Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images
• Title（参考訳）: MRI画像における非均一雑音低減のためのスパース混合実験
• Authors: Zeyun Deng, Joseph Campbell,
• Abstract要約: 本稿では,MRI画像復調のためのスパース・ミックス・オブ・エキスパート・フレームワークを活用した新しいアプローチを提案する。 各専門家は、異なる画像領域に関連付けられた特定のノイズ特性をターゲットとするために微調整された、特殊化畳み込みニューラルネットワークである。 提案手法は, 合成および実世界のMRIデータセット上での最先端の復調技術よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 4.1738581761446145
• License:
• Abstract: Magnetic Resonance Imaging (MRI) is an essential diagnostic tool in clinical settings but its utility is often hindered by noise artifacts introduced during the imaging process. Effective denoising is critical for enhancing image quality while preserving anatomical structures. However traditional denoising methods which typically assume uniform noise distributions struggle to handle the non-uniform noise commonly present in MRI images. In this paper we introduce a novel approach leveraging a sparse mixture-of-experts framework for MRI image denoising. Each expert is a specialized denoising convolutional neural network fine-tuned to target specific noise characteristics associated with different image regions. Our method demonstrates superior performance over state-of-the-art denoising techniques on both synthetic and real-world MRI datasets. Furthermore we show that it generalizes effectively to unseen datasets highlighting its robustness and adaptability.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は臨床環境では必須の診断ツールであるが、その有用性は撮像過程で導入されたノイズアーティファクトによって妨げられることが多い。 解剖学的構造を保ちながら、画像の質を高めるためには、効果的な denoising が重要である。 しかし、通常均一なノイズ分布を仮定する従来の雑音分解法は、MRI画像に一般的に見られる一様でないノイズを扱うのに苦労する。 本稿では,MRI画像復調のためのスパース・ミックス・オブ・エキスパート・フレームワークを活用した新しいアプローチを提案する。 各専門家は、異なる画像領域に関連付けられた特定のノイズ特性をターゲットとするために微調整された、特殊化畳み込みニューラルネットワークである。 提案手法は, 合成および実世界のMRIデータセット上での最先端の復調技術よりも優れた性能を示す。 さらに、その堅牢性と適応性を強調した、目に見えないデータセットに効果的に一般化することを示す。

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)
• Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising [1.8032335403003321]
  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。
  論文  参考訳（メタデータ） (2024-11-29T08:51:43Z)
• Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising [0.0]
  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。
  論文  参考訳（メタデータ） (2024-07-22T17:04:21Z)
• Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
  実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。 そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。 提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
  論文  参考訳（メタデータ） (2024-03-08T12:07:18Z)
• 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)
• 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)
• 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)
• DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models [0.3149883354098941]
  本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。 本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
  論文  参考訳（メタデータ） (2023-02-06T18:56:39Z)
• 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)

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。