論文の概要: BioAtt: Anatomical Prior Driven Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2504.01662v1
• Date: Wed, 02 Apr 2025 12:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:21:22.496215
• Title: BioAtt: Anatomical Prior Driven Low-Dose CT Denoising
• Title（参考訳）: BioAtt: 解剖学的事前駆動型低用量CT
• Authors: Namhun Kim, UiHyun Cho,
• Abstract要約: 深層学習に基づく denoising 法は低線量CT(LDCT)画像の画質を著しく改善した。 既存のモデルは、純粋にデータ駆動の注意機構のため、しばしば重要な解剖学的詳細を平滑に扱う。 本稿では,この課題に対処する新しいLDCT denoising frameworkであるBioAttを提案する。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License:
• Abstract: Deep-learning-based denoising methods have significantly improved Low-Dose CT (LDCT) image quality. However, existing models often over-smooth important anatomical details due to their purely data-driven attention mechanisms. To address this challenge, we propose a novel LDCT denoising framework, BioAtt. The key innovation lies in attending anatomical prior distributions extracted from the pretrained vision-language model BiomedCLIP. These priors guide the denoising model to focus on anatomically relevant regions to suppress noise while preserving clinically relevant structures. We highlight three main contributions: BioAtt outperforms baseline and attention-based models in SSIM, PSNR, and RMSE across multiple anatomical regions. The framework introduces a new architectural paradigm by embedding anatomic priors directly into spatial attention. Finally, BioAtt attention maps provide visual confirmation that the improvements stem from anatomical guidance rather than increased model complexity.
• Abstract（参考訳）: 深層学習に基づく denoising 法は低線量CT(LDCT)画像の画質を著しく改善した。 しかし、既存のモデルは純粋にデータ駆動の注意機構のため、しばしば重要な解剖学的詳細を滑らかに扱う。 この課題に対処するために,新しいLDCT denoising frameworkであるBioAttを提案する。 重要な革新は、事前訓練された視覚言語モデルBiomedCLIPから抽出された解剖学的事前分布への参加である。 これらの先行は、臨床的に関連のある構造を保ちながらノイズを抑制するために、解剖学的に関連のある領域に焦点を当てるよう、認知モデルに導出する。 BioAttは、複数の解剖学的領域にわたるSSIM、PSNR、RMSEのベースラインおよびアテンションベースモデルより優れている。 このフレームワークは、解剖学の先行概念を直接空間的注意に埋め込むことによって、新しいアーキテクチャパラダイムを導入する。 最後に、BioAttの注意マップは、改善がモデル複雑さの増加よりも解剖学的ガイダンスに起因することを視覚的に確認する。

関連論文リスト

• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Architecture Analysis and Benchmarking of 3D U-shaped Deep Learning Models for Thoracic Anatomical Segmentation [0.8897689150430447]
  3次元U型モデルの変種に対する最初の系統的ベンチマーク研究を行う。 本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-02-05T17:43:02Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
  自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。 提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-07T03:22:06Z)
• ASCON: Anatomy-aware Supervised Contrastive Learning Framework for Low-dose CT Denoising [23.274928463320986]
  我々は,低用量CTにおける解剖学的意味論を探求するために,ASCONと呼ばれる新しい解剖学的適応型コントラスト学習フレームワークを提案する。 当科における低用量CTの解剖学的解釈性について検討した。
  論文  参考訳（メタデータ） (2023-07-23T04:36:05Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。