論文の概要: Task-based Regularization in Penalized Least-Squares for Binary Signal Detection Tasks in Medical Image Denoising

• arxiv url: http://arxiv.org/abs/2501.18418v1
• Date: Thu, 30 Jan 2025 15:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:14:12.737684
• Title: Task-based Regularization in Penalized Least-Squares for Binary Signal Detection Tasks in Medical Image Denoising
• Title（参考訳）: 医用画像復調における二元信号検出タスクに対するペナル化最小二乗のタスクベース正規化
• Authors: Wentao Chen, Tianming Xu, Weimin Zhou,
• Abstract要約: 医用画像の認知におけるPLSを用いたタスクベース正規化戦略を提案する。 提案手法は地中画像データを必要とせず,各画像の復調を行うための個別最適化問題を解く。
• 参考スコア（独自算出の注目度）: 4.069144210024564
• License:
• Abstract: Image denoising algorithms have been extensively investigated for medical imaging. To perform image denoising, penalized least-squares (PLS) problems can be designed and solved, in which the penalty term encodes prior knowledge of the object being imaged. Sparsity-promoting penalties, such as total variation (TV), have been a popular choice for regularizing image denoising problems. However, such hand-crafted penalties may not be able to preserve task-relevant information in measured image data and can lead to oversmoothed image appearances and patchy artifacts that degrade signal detectability. Supervised learning methods that employ convolutional neural networks (CNNs) have emerged as a popular approach to denoising medical images. However, studies have shown that CNNs trained with loss functions based on traditional image quality measures can lead to a loss of task-relevant information in images. Some previous works have investigated task-based loss functions that employ model observers for training the CNN denoising models. However, such training processes typically require a large number of noisy and ground-truth (noise-free or low-noise) image data pairs. In this work, we propose a task-based regularization strategy for use with PLS in medical image denoising. The proposed task-based regularization is associated with the likelihood of linear test statistics of noisy images for Gaussian noise models. The proposed method does not require ground-truth image data and solves an individual optimization problem for denoising each image. Computer-simulation studies are conducted that consider a multivariate-normally distributed (MVN) lumpy background and a binary texture background. It is demonstrated that the proposed regularization strategy can effectively improve signal detectability in denoised images.
• Abstract（参考訳）: 画像復号化アルゴリズムは医用画像撮影のために広く研究されている。 画像復号化を行うために、ペナルティ項が撮像対象の事前知識を符号化した、ペナルティ化された最小二乗問題(PLS)を設計、解決することができる。 トータル・バラツキ (TV) のようなスポーサリティを動機とする罰則は、画像認知問題を正規化するための一般的な選択である。 しかし、このような手作りの罰則は、計測された画像データにタスク関連情報を保存できない可能性があり、過度な画像の出現や、信号検出性を低下させるパッチのあるアーティファクトに繋がる可能性がある。 畳み込みニューラルネットワーク(CNN)を用いた教師あり学習手法は、医用画像の認知のための一般的なアプローチとして現れている。 しかし,従来の画像品質尺度に基づく損失関数を訓練したCNNは,画像中のタスク関連情報の損失につながる可能性が示唆されている。 過去の研究では、CNN復調モデルの訓練にモデルオブザーバを用いるタスクベース損失関数について検討している。 しかし、そのようなトレーニングプロセスは、通常、多くのノイズと地味(ノイズフリーまたは低ノイズ)の画像データペアを必要とする。 そこで本研究では,PSSを用いた医療画像認識のためのタスクベース正規化戦略を提案する。 提案したタスクベース正規化は,ガウス雑音モデルに対する雑音画像の線形検定統計量に関連している。 提案手法は地中画像データを必要とせず,各画像の復調を行うための個別最適化問題を解く。 多変量正規分布(MVN)ラピー背景と二値テクスチャ背景を考慮に入れた計算機シミュレーション研究を行った。 提案した正規化戦略は、復号化画像の信号検出性を効果的に向上できることを実証した。

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)
• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。 我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。 我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-08T14:59:41Z)
• 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)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• Stochastic Image Denoising by Sampling from the Posterior Distribution [25.567566997688044]
  少量のMSEを維持しながら、実行可能で高品質の結果を生み出す新しい消音アプローチを提案します。 本手法は, MMSEデノイザーの繰り返し適用に依存したランゲビンダイナミクスを用い, 後方分布から効果的にサンプリングすることにより, 再構成画像を得る。 その知覚性のため、提案アルゴリズムは与えられたノイズ入力に対して様々な高品質な出力を生成することができる。
  論文  参考訳（メタデータ） (2021-01-23T18:28:19Z)
• 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)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)
• 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。