Fugu-MT 論文翻訳(概要): Score-based Self-supervised MRI Denoising

論文の概要: Score-based Self-supervised MRI Denoising

arxiv url: http://arxiv.org/abs/2505.05631v1
Date: Thu, 08 May 2025 20:27:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-12 20:40:10.077515
Title: Score-based Self-supervised MRI Denoising
Title（参考訳）: Score-based Self-supervised MRI Denoising
Authors: Jiachen Tu, Yaokun Shi, Fan Lam,
Abstract要約: 教師付き学習に基づく復号化手法は優れた性能を達成しているが、高い信号対雑音比 (SNR) ラベルを必要とする。自己教師付き学習はラベル不足の問題に対処することを約束するが、既存の自己教師型認知法は空間的特徴を過度に表現する傾向がある。 C2S(Corruption2Self)は,MRIのための新しいスコアベースの自己教師型フレームワークである。
参考スコア（独自算出の注目度）: 1.6385815610837167
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Magnetic resonance imaging (MRI) is a powerful noninvasive diagnostic imaging tool that provides unparalleled soft tissue contrast and anatomical detail. Noise contamination, especially in accelerated and/or low-field acquisitions, can significantly degrade image quality and diagnostic accuracy. Supervised learning based denoising approaches have achieved impressive performance but require high signal-to-noise ratio (SNR) labels, which are often unavailable. Self-supervised learning holds promise to address the label scarcity issue, but existing self-supervised denoising methods tend to oversmooth fine spatial features and often yield inferior performance than supervised methods. We introduce Corruption2Self (C2S), a novel score-based self-supervised framework for MRI denoising. At the core of C2S is a generalized denoising score matching (GDSM) loss, which extends denoising score matching to work directly with noisy observations by modeling the conditional expectation of higher-SNR images given further corrupted observations. This allows the model to effectively learn denoising across multiple noise levels directly from noisy data. Additionally, we incorporate a reparameterization of noise levels to stabilize training and enhance convergence, and introduce a detail refinement extension to balance noise reduction with the preservation of fine spatial features. Moreover, C2S can be extended to multi-contrast denoising by leveraging complementary information across different MRI contrasts. We demonstrate that our method achieves state-of-the-art performance among self-supervised methods and competitive results compared to supervised counterparts across varying noise conditions and MRI contrasts on the M4Raw and fastMRI dataset.
Abstract（参考訳）: MRIは、非平行な軟組織コントラストと解剖学的詳細を提供する強力な非侵襲的診断ツールである。ノイズ汚染は、特に加速および/または低フィールド取得において、画像の品質と診断精度を著しく低下させることができる。教師付き学習に基づく認知的アプローチは目覚ましい性能を達成しているが、高信号対雑音比 (SNR) ラベルを必要とするが、しばしば利用できない。自己教師付き学習はラベル不足の問題に対処することを約束するが、既存の自己教師型認知法は細かな空間的特徴を過度に過小評価し、しばしば教師付き手法よりも劣る。 C2S(Corruption2Self)は,MRIのための新しいスコアベース自己教師型フレームワークである。 C2Sのコアには一般化されたデノナイジングスコアマッチング(GDSM)損失があり、さらに劣化した観測結果の高SNR画像の条件予測をモデル化することにより、ノイズの多い観測で直接動作するようにデノナイジングスコアマッチングを拡張している。これにより、モデルはノイズの多いデータから直接、複数のノイズレベルのノイズを効果的に学習することができる。さらに、トレーニングの安定化と収束の促進を目的として、ノイズレベルの再パラメータ化を導入し、音の低減と空間的特徴の保存のバランスをとるための詳細改善拡張を導入する。さらに、C2Sは、異なるMRIコントラストにまたがる相補的な情報を活用することで、マルチコントラストに拡張することができる。提案手法は,M4Raw と fastMRI データセットにおけるMRI のコントラストとノイズ条件の異なる教師付き手法と比較して,自己教師付き手法の最先端性能と競合性を実現していることを示す。

関連論文リスト

Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images [4.1738581761446145]
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。
論文参考訳（メタデータ） (2025-01-24T03:04:44Z)
Robust multi-coil MRI reconstruction via self-supervised denoising [4.6017417632210655]
ガウス雑音により劣化したデータに対する深層学習(DL)に基づく再構成手法を訓練するための前処理ステップとして,自己指導型デノナイジングを取り入れた効果について検討した。自己監督型難聴は様々なシナリオにおいてMRI再建の質と効率を高めることが観察された。
論文参考訳（メタデータ） (2024-11-19T23:17:09Z)
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)
Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
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)
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)
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)
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)
Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-10-22T18:12:26Z)
Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文参考訳（メタデータ） (2020-08-19T13:06:24Z)

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。