論文の概要: Exploiting network optimization stability for enhanced PET image denoising using deep image prior

• arxiv url: http://arxiv.org/abs/2502.11259v1
• Date: Sun, 16 Feb 2025 20:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:09:13.972406
• Title: Exploiting network optimization stability for enhanced PET image denoising using deep image prior
• Title（参考訳）: 深部画像を用いたPET画像復調のための爆発ネットワーク最適化の安定性
• Authors: Fumio Hashimoto, Kibo Ote, Yuya Onishi, Hideaki Tashima, Go Akamatsu, Yuma Iwao, Miwako Takahashi, Taiga Yamaya,
• Abstract要約: PETは、トレーサー線量とスキャン時間に制約があるため、統計的ノイズによって影響を受ける。 画像品質向上のために, 深層学習(DL)に基づくPET復調法が用いられている。 本稿では,DLソリューションをより信頼性が高くし,条件付き深度画像に適用する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.4454647768189905
• License:
• Abstract: PET is affected by statistical noise due to constraints on tracer dose and scan duration, impacting both diagnostic performance and quantitative accuracy. While deep learning (DL)-based PET denoising methods have been used to improve image quality, they may introduce over-smoothing, compromising quantitative accuracy. We propose a method for making a DL solution more reliable and apply it to the conditional deep image prior (DIP). We introduce the idea of stability information in the optimization process of conditional DIP, enabling the identification of unstable regions within the network's optimization trajectory. Our method incorporates a stability map, which is derived from multiple intermediate outputs of moderate network at different optimization steps. The final denoised image is then obtained by computing linear combination of the DIP output and the original reconstructed image, weighted by the stability map. Our method effectively reduces noise while preserving small structure details in brain FDG images. Results demonstrated that our approach outperformed existing methods in peak-to-valley ratio and noise suppression across various low-dose levels. Region-of-interest analysis confirmed that the proposed method maintains quantitative accuracy without introducing under- or over-estimation. We applied our method to full-dose PET data to assess its impact on image quality. The results revealed that the proposed method significantly reduced background noise while preserving the peak-to-valley ratio at a level comparable to that of unfiltered full-dose PET images. The proposed method introduces a robust approach to DL-based PET denoising, enhancing its reliability and preserving quantitative accuracy. This strategy has the potential to advance performance in high-sensitivity PET scanners, demonstrating that DL can extend PET imaging capabilities beyond low-dose applications.
• Abstract（参考訳）: PETはトレーサー線量とスキャン期間の制約による統計的ノイズの影響を受け、診断性能と定量精度の両方に影響を及ぼす。 深層学習(DL)に基づくPET denoising法は画像品質向上に使われてきたが, オーバー・スムーシングを導入し, 定量的精度を向上する可能性がある。 本稿では,DLソリューションをより信頼性が高くし,条件付き深度画像(DIP)に適用する手法を提案する。 本稿では、条件付きDIPの最適化プロセスにおける安定性情報の概念を導入し、ネットワークの最適化軌道内における不安定領域の特定を可能にする。 提案手法は,異なる最適化ステップにおける中等度ネットワークの複数の中間出力から導出される安定性マップを組み込む。 そして、DIP出力と元の再構成画像との線形結合を、安定性マップで重み付けして、最終的な復号化画像を得る。 脳FDG画像の小さな構造を保ちながら、ノイズを効果的に低減する。 その結果,本手法は様々な低線量レベルにおけるピーク・アンド・ヴァレー比とノイズ抑制の既存手法よりも優れていた。 関心領域分析により,提案手法は過大評価や過大評価を伴わずに定量的な精度を維持することを確認した。 本手法をフルドーズPETデータに適用し,画像品質への影響を評価した。 その結果,提案手法は,全量PET画像に匹敵するピーク・ツー・ヴァレー比を保ちながら,背景雑音を有意に低減することがわかった。 提案手法は, DLをベースとしたPETの高感度化, 信頼性の向上, 定量的精度の確保に有効な手法である。 この戦略は、高感度PETスキャナの性能を向上させる可能性があり、DLが低線量アプリケーションを超えてPETイメージング能力を拡張できることを実証している。

関連論文リスト

• Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet [3.83243615095535]
  近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。 全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T03:06:47Z)
• Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising [13.694516702501097]
  PETイメージングは、分子および生理過程の定量的評価を提供する強力なモダリティである。 PET画像における内在性高ノイズレベルからPET脱ノイズの必要性が生じる。 条件スコアに基づくResidual Diffusion(CSRD)モデルでは,高精細なスコア関数と3Dパッチワイドトレーニング戦略を取り入れることで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-09-30T19:35:22Z)
• Deep kernel representations of latent space features for low-dose PET-MR imaging robust to variable dose reduction [0.09362267584678274]
  低線量ポジトロン放射トモグラフィ(PET)画像再構成法は、画像モダリティとしてPETを大幅に改善する可能性がある。 ディープラーニングは、画像再構成問題に事前情報を組み込んで、妥協された信号から定量的に正確な画像を生成する、有望な手段を提供する。 本稿では,カーネル表現を頑健に表現した深層潜伏空間の特徴を明示的にモデル化し,これまで見られなかった線量削減係数に対して頑健な性能を提供する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T03:57:31Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• PET image denoising based on denoising diffusion probabilistic models [8.522330369430282]
  DDPMは分布学習に基づくモデルであり、正規分布を特定のデータ分布に変換する。 120個の18F-FDGデータセットと140個の18F-MK-6240データセットを用いて提案手法の評価を行った。 モデルに追加のMRを追加することで、より良いパフォーマンスを実現し、画像デノイング時の不確実性をさらに低減できる。
  論文  参考訳（メタデータ） (2022-09-13T17:13:44Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。