論文の概要: Deep Learning Architectures for Medical Image Denoising: A Comparative Study of CNN-DAE, CADTra, and DCMIEDNet

• arxiv url: http://arxiv.org/abs/2508.17223v1
• Date: Sun, 24 Aug 2025 06:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.412302
• Title: Deep Learning Architectures for Medical Image Denoising: A Comparative Study of CNN-DAE, CADTra, and DCMIEDNet
• Title（参考訳）: 医用画像認識のためのディープラーニングアーキテクチャ:CNN-DAE, CADTra, DCMIEDNetの比較検討
• Authors: Asadullah Bin Rahman, Masud Ibn Afjal, Md. Abdulla Al Mamun,
• Abstract要約: CNN-DAE, CADTra, DCMIEDNet をMRI脳画像復調法として評価した。 ディープラーニングアプローチはすべて、従来のウェーブレットベースの手法よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging modalities are inherently susceptible to noise contamination that degrades diagnostic utility and clinical assessment accuracy. This paper presents a comprehensive comparative evaluation of three state-of-the-art deep learning architectures for MRI brain image denoising: CNN-DAE, CADTra, and DCMIEDNet. We systematically evaluate these models across multiple Gaussian noise intensities ($\sigma = 10, 15, 25$) using the Figshare MRI Brain Dataset. Our experimental results demonstrate that DCMIEDNet achieves superior performance at lower noise levels, with PSNR values of $32.921 \pm 2.350$ dB and $30.943 \pm 2.339$ dB for $\sigma = 10$ and $15$ respectively. However, CADTra exhibits greater robustness under severe noise conditions ($\sigma = 25$), achieving the highest PSNR of $27.671 \pm 2.091$ dB. All deep learning approaches significantly outperform traditional wavelet-based methods, with improvements ranging from 5-8 dB across tested conditions. This study establishes quantitative benchmarks for medical image denoising and provides insights into architecture-specific strengths for varying noise intensities.
• Abstract（参考訳）: 医用画像のモダリティは、診断ユーティリティと臨床評価精度を低下させるノイズ汚染に本質的に影響を受けやすい。 本稿では,CNN-DAE,CADTra,DCMIEDNetという,MRI脳画像の3つの最先端ディープラーニングアーキテクチャの総合的比較評価を行う。 本研究では、Figshare MRI Brain Datasetを用いて、複数のガウス雑音強度(\sigma = 10, 15, 25$)にわたってこれらのモデルを体系的に評価する。 実験の結果、DCMIEDNetは低騒音レベルにおいて優れた性能を示し、PSNR値は32.921 \pm 2.350$dBと30.943 \pm 2.339$dB for $\sigma = 10$と15$である。 しかし、CADTra は厳しい騒音条件 (\sigma = 25$) 下でより頑丈で、PSNR は27.671 \pm 2.091$ dB である。 ディープラーニングのアプローチはすべて、従来のウェーブレットベースの手法よりも大幅に優れており、テスト条件の5-8dBから改善されている。 本研究は, 医用画像の定量的な評価基準を確立し, 各種ノイズ強度に対するアーキテクチャ固有の強度に関する知見を提供する。

関連論文リスト

• 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)
• 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)
• 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)
• Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
  拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。 臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。 我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:56:10Z)
• NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
  NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。 トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。 提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
  論文  参考訳（メタデータ） (2024-04-06T08:25:33Z)
• 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)
• 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)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Denoising of 3D MR images using a voxel-wise hybrid residual MLP-CNN model to improve small lesion diagnostic confidence [4.636940840535911]
  MRI画像の小さな病変は、多くの疾患の臨床的診断に不可欠である。 MRIの画質は様々なノイズによって容易に劣化し、小病変の診断精度に大きな影響を及ぼす可能性がある。 そこで本研究では,小病変の3次元MR像を呈示するボクセルワイドハイブリッド残差CNNモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-28T03:54:56Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• 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)

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。