論文の概要: Speckle2Self: Self-Supervised Ultrasound Speckle Reduction Without Clean Data

• arxiv url: http://arxiv.org/abs/2507.06828v1
• Date: Wed, 09 Jul 2025 13:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.59628
• Title: Speckle2Self: Self-Supervised Ultrasound Speckle Reduction Without Clean Data
• Title（参考訳）: Speckle2Self: クリーンデータのない自己監督超音波スペックル低減
• Authors: Xuesong Li, Nassir Navab, Zhongliang Jiang,
• Abstract要約: 画像復調はコンピュータビジョン、特に医用超音波(US)イメージングにおける基本的な課題である。 Speckle2Selfは、単一ノイズによるスペクトル低減のための新しい自己教師型アルゴリズムである。
• 参考スコア（独自算出の注目度）: 43.60323168135476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image denoising is a fundamental task in computer vision, particularly in medical ultrasound (US) imaging, where speckle noise significantly degrades image quality. Although recent advancements in deep neural networks have led to substantial improvements in denoising for natural images, these methods cannot be directly applied to US speckle noise, as it is not purely random. Instead, US speckle arises from complex wave interference within the body microstructure, making it tissue-dependent. This dependency means that obtaining two independent noisy observations of the same scene, as required by pioneering Noise2Noise, is not feasible. Additionally, blind-spot networks also cannot handle US speckle noise due to its high spatial dependency. To address this challenge, we introduce Speckle2Self, a novel self-supervised algorithm for speckle reduction using only single noisy observations. The key insight is that applying a multi-scale perturbation (MSP) operation introduces tissue-dependent variations in the speckle pattern across different scales, while preserving the shared anatomical structure. This enables effective speckle suppression by modeling the clean image as a low-rank signal and isolating the sparse noise component. To demonstrate its effectiveness, Speckle2Self is comprehensively compared with conventional filter-based denoising algorithms and SOTA learning-based methods, using both realistic simulated US images and human carotid US images. Additionally, data from multiple US machines are employed to evaluate model generalization and adaptability to images from unseen domains. \textit{Code and datasets will be released upon acceptance.
• Abstract（参考訳）: 特に医療用超音波(US)イメージングでは、スペックルノイズによって画質が著しく低下する。 近年のディープニューラルネットワークの進歩により、自然画像のノイズ化が大幅に改善されているが、これらの手法は純粋にランダムではないため、米国のスペックルノイズに直接適用することはできない。 代わりに、アメリカのスペックルは体内の複雑な波動干渉によって発生し、組織に依存している。 この依存性は、ノイズ2ノイズのパイオニアが要求するように、同じシーンの2つの独立したノイズ観測を得ることが不可能であることを意味する。 さらに、ブラインドスポットネットワークは、空間依存性が高いため、米国のスペックルノイズにも対処できない。 この課題に対処するために、単一ノイズ観測のみを用いたスペックル低減のための新しい自己教師付きアルゴリズムであるSpeckle2Selfを導入する。 重要な洞察は、マルチスケール摂動(MSP)操作を適用することで、共有解剖学的構造を保ちながら、異なるスケールにわたるスペックルパターンの組織依存性の変化をもたらすことである。 これにより、クリーン画像を低ランク信号としてモデル化し、スパースノイズ成分を分離することにより、効果的なスペックル抑制を可能にする。 有効性を示すために、Speckle2Selfは、従来のフィルタに基づく復調アルゴリズムとSOTA学習に基づく手法とを総合的に比較し、実写のUS画像と人間の頸動脈US画像の両方を用いて比較した。 さらに、複数のUSマシンのデータを用いてモデル一般化と未確認領域の画像への適応性を評価する。 \textit{Codeとデータセットは受け入れ時にリリースされる。

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)
• Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
  本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。 提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。 本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
  論文  参考訳（メタデータ） (2023-10-11T20:48:20Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• 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)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• 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。