論文の概要: Dual Path Learning -- learning from noise and context for medical image denoising

• arxiv url: http://arxiv.org/abs/2507.19035v1
• Date: Fri, 25 Jul 2025 07:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.866731
• Title: Dual Path Learning -- learning from noise and context for medical image denoising
• Title（参考訳）: デュアルパス学習-医用画像のノイズと文脈から学ぶ
• Authors: Jitindra Fartiyal, Pedro Freire, Yasmeen Whayeb, James S. Wolffsohn, Sergei K. Turitsyn, Sergei G. Sokolov,
• Abstract要約: 本研究では,医用イメージを効果的に認知するデュアルパスウェイ学習(DPL)モデルアーキテクチャを提案する。 DPLは複数の画像モダリティと様々な種類のノイズにまたがって評価され、その堅牢性と一般化性を示す。
• 参考スコア（独自算出の注目度）: 1.1322504472260562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging plays a critical role in modern healthcare, enabling clinicians to accurately diagnose diseases and develop effective treatment plans. However, noise, often introduced by imaging devices, can degrade image quality, leading to misinterpretation and compromised clinical outcomes. Existing denoising approaches typically rely either on noise characteristics or on contextual information from the image. Moreover, they are commonly developed and evaluated for a single imaging modality and noise type. Motivated by Geng et.al CNCL, which integrates both noise and context, this study introduces a Dual-Pathway Learning (DPL) model architecture that effectively denoises medical images by leveraging both sources of information and fusing them to generate the final output. DPL is evaluated across multiple imaging modalities and various types of noise, demonstrating its robustness and generalizability. DPL improves PSNR by 3.35% compared to the baseline UNet when evaluated on Gaussian noise and trained across all modalities. The code is available at 10.5281/zenodo.15836053.
• Abstract（参考訳）: 医療画像は現代医療において重要な役割を担い、臨床医が病気を正確に診断し、効果的な治療計画を策定することを可能にする。 しかし、画像装置によってしばしば導入されるノイズは、画質を低下させ、誤解釈と臨床結果の妥協につながる。 既存の denoising アプローチは通常、ノイズ特性または画像からのコンテキスト情報に依存する。 さらに、単一の画像モダリティとノイズタイプに対して、一般的に開発・評価されている。 ノイズとコンテキストを両立させたGeng et.al CNCLによってモチベーションを得たDPLモデルアーキテクチャを導入する。 DPLは複数の画像モダリティと様々な種類のノイズにまたがって評価され、その堅牢性と一般化性を示す。 DPLは、ガウスノイズで評価され、全てのモードで訓練された場合、ベースラインのUNetと比較してPSNRを3.35%改善する。 コードは10.5281/zenodo.15836053で利用可能である。

関連論文リスト

• Pre-trained Under Noise: A Framework for Robust Bone Fracture Detection in Medical Imaging [1.6561886683258322]
  本稿では,X線画像における骨骨折の分類のための事前学習深層学習モデルのロバスト性について検討する。 3つのディープラーニングモデルは、様々な模擬機器の品質条件下でテストされている。
  論文  参考訳（メタデータ） (2025-07-13T18:07:34Z)
• Two-stage Deep Denoising with Self-guided Noise Attention for Multimodal Medical Images [8.643724626327852]
  本研究は,AI駆動の2段階学習戦略により,現代の認知的手法の限界に対処する。 提案手法はノイズ画像から残音を推定する。 ノイズアテンション機構を組み込んで、推定残音と雑音入力を相関させ、コース・トゥ・リファインディングでノイズアテンションを行う。
  論文  参考訳（メタデータ） (2025-03-10T01:26:47Z)
• Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising [1.8032335403003321]
  我々は、ノイズの多い画像のデータセットのみから雑音を学習できる新しいニューラルネットワークベースの手法、emphContextual Checkerboard Denoisingを導入する。 提案手法は画像品質を大幅に改善し,より鮮明で詳細なOCT画像を提供するとともに,診断精度を向上する。
  論文  参考訳（メタデータ） (2024-11-29T08:51:43Z)
• 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)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• An unsupervised deep learning framework for medical image denoising [0.0]
  本稿では,利用可能な画像からノイズ特性を学習する非監視医療画像消音技術について紹介する。 ノイズを直接学習するノイズと残留学習(RL)を間接的に学習する2ブロックのデータ処理、viz.、パッチベースの辞書で構成されている。 MRI/CTデータセットの実験はGPUベースのスーパーコンピュータ上で行われ、比較結果は、提案アルゴリズムが画像の臨界情報を保存し、画像の視覚的品質を向上することを示している。
  論文  参考訳（メタデータ） (2021-03-11T10:03:02Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• ISCL: Interdependent Self-Cooperative Learning for Unpaired Image Denoising [3.796436257221662]
  本論文では,ISCL (Interdependent Self-Cooperative Learning) を提案する。 ISCLは、周期的対向学習と自己監督的残差学習を組み合わせる。 そこで本研究では,isclが従来および現在のディープラーニングに基づく画像デノイジング法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-19T10:54:25Z)
• 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)
• 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)

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。