論文の概要: SharpXR: Structure-Aware Denoising for Pediatric Chest X-Rays

• arxiv url: http://arxiv.org/abs/2508.08518v1
• Date: Mon, 11 Aug 2025 23:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.252297
• Title: SharpXR: Structure-Aware Denoising for Pediatric Chest X-Rays
• Title（参考訳）: SharpXR:小児胸部X線の構造認識
• Authors: Ilerioluwakiiye Abolade, Emmanuel Idoko, Solomon Odelola, Promise Omoigui, Adetola Adebanwo, Aondana Iorumbur, Udunna Anazodo, Alessandro Crimi, Raymond Confidence,
• Abstract要約: SharpXR(シャープXR)は、低用量X線をノイズ化するために設計された構造対応のデュアルデコーダU-Netである。 小児肺炎チェストX線データセットにおける現実的なポアソン・ガウスノイズをシミュレートする。 SharpXRは、すべての評価指標で最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 34.173566188833156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pediatric chest X-ray imaging is essential for early diagnosis, particularly in low-resource settings where advanced imaging modalities are often inaccessible. Low-dose protocols reduce radiation exposure in children but introduce substantial noise that can obscure critical anatomical details. Conventional denoising methods often degrade fine details, compromising diagnostic accuracy. In this paper, we present SharpXR, a structure-aware dual-decoder U-Net designed to denoise low-dose pediatric X-rays while preserving diagnostically relevant features. SharpXR combines a Laplacian-guided edge-preserving decoder with a learnable fusion module that adaptively balances noise suppression and structural detail retention. To address the scarcity of paired training data, we simulate realistic Poisson-Gaussian noise on the Pediatric Pneumonia Chest X-ray dataset. SharpXR outperforms state-of-the-art baselines across all evaluation metrics while maintaining computational efficiency suitable for resource-constrained settings. SharpXR-denoised images improved downstream pneumonia classification accuracy from 88.8% to 92.5%, underscoring its diagnostic value in low-resource pediatric care.
• Abstract（参考訳）: 小児胸部X線画像は早期診断に不可欠であり、特に高度な画像モダリティがしばしばアクセスできない低リソース環境において重要である。 低線量プロトコルは小児の放射線被曝を減少させるが、重要な解剖学的詳細を曖昧にできる相当なノイズをもたらす。 従来の denoising 法はしばしば細部を劣化させ、診断精度を損なう。 本稿では,低用量医用X線を診断的に関連性のある特徴を保ちながら認知する構造対応デュアルデコーダU-NetであるSharpXRを提案する。 SharpXRはラプラシアン誘導エッジ保存デコーダと学習可能な融合モジュールを組み合わせることで、ノイズ抑制と構造的詳細保持を適応的にバランスさせる。 ペアトレーニングデータの不足に対処するため,小児肺炎チェストX線データセット上での現実的なポアソン・ガウスノイズをシミュレートした。 SharpXRは、リソース制約のある設定に適した計算効率を維持しながら、すべての評価指標で最先端のベースラインを上回っている。 シャープXR陰性化画像は、下流の肺炎分類の精度を88.8%から92.5%に改善し、低リソースの小児医療における診断価値を強調した。

関連論文リスト

• BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models [23.830681949520745]
  肺疾患は、Chest X-Ray(CXR)が重要な診断ツールであると共に、重要な世界的な健康上の課題である。 肺病変の検出は、しばしばCXR画像の重なり合う骨構造によって妨げられ、潜在的な誤診につながる。 我々は,高解像度CXR画像の骨を効果的に抑制するために,BS-LDMと呼ばれるエンドツーエンドのフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-12-20T08:36:17Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
  X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。 提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
  論文  参考訳（メタデータ） (2024-10-20T16:08:20Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray Images [2.2098092675263423]
  そこで本研究では,CXRNetを用いた新型コロナウイルス検出のための新しいディープラーニングフレームワークを提案する。 提案するフレームワークは,新しいマルチタスクアーキテクチャに基づいており,疾患の分類と視覚的説明が可能である。 実験結果から,提案手法は良好な精度が得られることが示された。
  論文  参考訳（メタデータ） (2021-10-20T22:50:35Z)

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。