Fugu-MT 論文翻訳(概要): Zero-Shot Low-dose CT Denoising via Sinogram Flicking

論文の概要: Zero-Shot Low-dose CT Denoising via Sinogram Flicking

arxiv url: http://arxiv.org/abs/2504.07927v1
Date: Thu, 10 Apr 2025 17:42:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-11 12:24:40.979081
Title: Zero-Shot Low-dose CT Denoising via Sinogram Flicking
Title（参考訳）: Sinogram Flicking によるゼロショット低用量CT
Authors: Yongyi Shi, Ge Wang,
Abstract要約: シングラムフリックに基づくゼロショット低線量CT画像撮影法を提案する。シングラム領域の共役X線の一部をランダムに交換することにより、一貫した内容を持つ大きなシングラムを生成するが、ノイズパターンが異なる。 ZS-NSNから適応した軽量モデルを用いて、同一内容の異なる異なる異なるノイズ分布を持つ一対のシングラムでネットワークを訓練する。
参考スコア（独自算出の注目度）: 5.101848799297469
License:
Abstract: Many low-dose CT imaging methods rely on supervised learning, which requires a large number of paired noisy and clean images. However, obtaining paired images in clinical practice is challenging. To address this issue, zero-shot self-supervised methods train denoising networks using only the information within a single image, such as ZS-N2N. However, these methods often employ downsampling operations that degrade image resolution. Additionally, the training dataset is inherently constrained to the image itself. In this paper, we propose a zero-shot low-dose CT imaging method based on sinogram flicking, which operates within a single image but generates many copies via random conjugate ray matching. Specifically, two conjugate X-ray pencil beams measure the same path; their expected values should be identical, while their noise levels vary during measurements. By randomly swapping portions of the conjugate X-rays in the sinogram domain, we generate a large set of sinograms with consistent content but varying noise patterns. When displayed dynamically, these sinograms exhibit a flickering effect due to their identical structural content but differing noise patterns-hence the term sinogram flicking. We train the network on pairs of sinograms with the same content but different noise distributions using a lightweight model adapted from ZS-NSN. This process is repeated to obtain the final results. A simulation study demonstrates that our method outperforms state-of-the-art approaches such as ZS-N2N.
Abstract（参考訳）: 多くの低線量CTイメージング法は教師あり学習に依存しており、多数のノイズとクリーンな画像を必要とする。しかし, 臨床実習におけるペア画像の取得は困難である。この問題に対処するため、ゼロショット自己教師方式では、ZS-N2Nのような単一の画像内の情報のみを使用してネットワークを識別する訓練を行う。しかし、これらの手法は画像分解能を低下させるダウンサンプリング演算を用いることが多い。さらに、トレーニングデータセットは、本質的にイメージ自体に制約される。本稿では,1つの画像内で動作するが,多数のコピーをランダムな共役線マッチングにより生成する,シンクログラムフリックに基づくゼロショット低線CT画像化手法を提案する。具体的には、2つの共役X線鉛筆ビームが同じ経路を計測する。シングラム領域の共役X線の一部をランダムに交換することにより、一貫した内容を持つ大きなシングラムを生成するが、ノイズパターンは変化する。これらのシングラムを動的に表示すると、その構造的内容が同じであるがノイズパターンが異なるため、シングラムフリックという用語が現れる。 ZS-NSNから適応した軽量モデルを用いて、同一内容の異なる異なる異なるノイズ分布を持つ一対のシングラムでネットワークを訓練する。この処理を繰り返して最終結果を得る。シミュレーションにより,本手法はZS-N2Nのような最先端手法よりも優れていることが示された。

関連論文リスト

CNN-based TEM image denoising from first principles [28.69364413383459]
我々は密度汎関数理論計算を用いて高精度な地上真実画像を生成する。それぞれのノイズは、別々の畳み込みニューラルネットワーク(CNN)モデルをトレーニングするために使用される。これらのCNNは、ノイズレベルが異なる画像に適用しても、ノイズを低減するのに効果的である。
論文参考訳（メタデータ） (2025-01-20T02:19:26Z)
Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
論文参考訳（メタデータ） (2023-06-23T18:08:00Z)
Representing Noisy Image Without Denoising [91.73819173191076]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文参考訳（メタデータ） (2023-01-18T10:13:29Z)
Noise2Contrast: Multi-Contrast Fusion Enables Self-Supervised Tomographic Image Denoising [6.314790045423454]
ノイズ2コントラストは、複数の計測画像コントラストからの情報を組み合わせて、デノナイジングモデルを訓練する。画像のコントラストの独立雑音実現を利用して、ドメイン転送演算子と重畳することで、自己監督的損失を導出する。実測データを用いた実験は,ノイズ2コントラストが他のマルチコントラスト画像に一般化されることを示唆している。
論文参考訳（メタデータ） (2022-12-09T13:03:24Z)
Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
論文参考訳（メタデータ） (2022-12-01T10:52:03Z)
Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文参考訳（メタデータ） (2022-06-04T00:08:58Z)
Residual Contrastive Learning for Joint Demosaicking and Denoising [49.81596361351967]
RAW画像,残差コントラスト学習(RCL)における新しいコントラスト学習手法を提案する。本研究は,各RAW画像に含まれる雑音が信号に依存しているという仮定に基づいて構築した。我々は、未知の(ランダムな)ノイズ分散を伴う教師なしJDDタスクに対する新しいベンチマークを設定した。
論文参考訳（メタデータ） (2021-06-18T11:37:05Z)
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)
Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文参考訳（メタデータ） (2020-08-31T16:22:40Z)
Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid Learning [48.890709236564945]
小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
論文参考訳（メタデータ） (2020-07-04T08:23:07Z)
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)

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。