論文の概要: MIND: A Noise-Adaptive Denoising Framework for Medical Images Integrating Multi-Scale Transformer

• arxiv url: http://arxiv.org/abs/2508.07817v2
• Date: Wed, 13 Aug 2025 16:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 14:06:00.560034
• Title: MIND: A Noise-Adaptive Denoising Framework for Medical Images Integrating Multi-Scale Transformer
• Title（参考訳）: MIND:マルチスケールトランスを統合した医用画像の雑音適応型デノイングフレームワーク
• Authors: Tao Tang, Chengxu Yang,
• Abstract要約: 本稿では,マルチスケールの畳み込みとトランスフォーマーアーキテクチャを統合した医療画像適応型復調モデル(MI-ND)を提案する。 雑音知覚によって駆動されるチャネル空間的注意制御とクロスモーダル特徴融合を実現する。 構造回復、診断感度、クロスモーダルロバストネスに優れた利点があり、医用画像の強化とAIによる診断と治療に有効なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 2.746409982853943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The core role of medical images in disease diagnosis makes their quality directly affect the accuracy of clinical judgment. However, due to factors such as low-dose scanning, equipment limitations and imaging artifacts, medical images are often accompanied by non-uniform noise interference, which seriously affects structure recognition and lesion detection. This paper proposes a medical image adaptive denoising model (MI-ND) that integrates multi-scale convolutional and Transformer architecture, introduces a noise level estimator (NLE) and a noise adaptive attention module (NAAB), and realizes channel-spatial attention regulation and cross-modal feature fusion driven by noise perception. Systematic testing is carried out on multimodal public datasets. Experiments show that this method significantly outperforms the comparative methods in image quality indicators such as PSNR, SSIM, and LPIPS, and improves the F1 score and ROC-AUC in downstream diagnostic tasks, showing strong prac-tical value and promotional potential. The model has outstanding benefits in structural recovery, diagnostic sensitivity, and cross-modal robustness, and provides an effective solution for medical image enhancement and AI-assisted diagnosis and treatment.
• Abstract（参考訳）: 疾患診断における医用画像の中核的役割は、その品質が臨床診断の精度に直接影響を及ぼす。 しかし、低線量走査、機器の制限、画像化などの要因により、医療画像には、構造認識や病変検出に深刻な影響を及ぼす一様でないノイズ干渉が伴うことが多い。 本稿では,マルチスケールの畳み込みとトランスフォーマーアーキテクチャを統合し,ノイズレベル推定器 (NLE) と雑音適応型アテンションモジュール (NAAB) を導入し,ノイズ知覚によって駆動されるチャネル空間的アテンション制御とクロスモーダル特徴融合を実現する医療画像適応型デノナイジングモデル (MI-ND) を提案する。 マルチモーダルなパブリックデータセット上でシステマティックテストを行う。 実験の結果,PSNR,SSIM,LPIPSなどの画像品質指標では比較手法が有意に優れており,下流診断タスクではF1スコアとROC-AUCが向上し,高いPrac-tical値と促進ポテンシャルを示すことがわかった。 このモデルは、構造回復、診断感度、およびクロスモーダルロバスト性に優れた利点があり、医用画像の強化とAIによる診断と治療に有効なソリューションを提供する。

関連論文リスト

• Dual Path Learning -- learning from noise and context for medical image denoising [1.1322504472260562]
  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。
  論文  参考訳（メタデータ） (2025-07-25T07:43:50Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。