論文の概要: PPORLD-EDNetLDCT: A Proximal Policy Optimization-Based Reinforcement Learning Framework for Adaptive Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2509.03185v1
• Date: Wed, 03 Sep 2025 10:13:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.483746
• Title: PPORLD-EDNetLDCT: A Proximal Policy Optimization-Based Reinforcement Learning Framework for Adaptive Low-Dose CT Denoising
• Title（参考訳）: PPORLD-EDNetLDCT:適応型低線量CT復調のためのポリシー最適化に基づく強化学習フレームワーク
• Authors: Debopom Sutradhar, Ripon Kumar Debnath, Mohaimenul Azam Khan Raiaan, Yan Zhang, Reem E. Mohamed, Sami Azam,
• Abstract要約: 低線量CT(LDCT)は放射線被曝の最小化に重要である。 反復最適化や教師付き学習といった従来の装飾手法は、画像の品質を保たないことが多い。 LDCTのための強化学習ベース(RL)アプローチであるPPORLD-EDNetLDCTを紹介する。
• 参考スコア（独自算出の注目度）: 3.10830654603185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-dose computed tomography (LDCT) is critical for minimizing radiation exposure, but it often leads to increased noise and reduced image quality. Traditional denoising methods, such as iterative optimization or supervised learning, often fail to preserve image quality. To address these challenges, we introduce PPORLD-EDNetLDCT, a reinforcement learning-based (RL) approach with Encoder-Decoder for LDCT. Our method utilizes a dynamic RL-based approach in which an advanced posterior policy optimization (PPO) algorithm is used to optimize denoising policies in real time, based on image quality feedback, trained via a custom gym environment. The experimental results on the low dose CT image and projection dataset demonstrate that the proposed PPORLD-EDNetLDCT model outperforms traditional denoising techniques and other DL-based methods, achieving a peak signal-to-noise ratio of 41.87, a structural similarity index measure of 0.9814 and a root mean squared error of 0.00236. Moreover, in NIH-AAPM-Mayo Clinic Low Dose CT Challenge dataset our method achived a PSNR of 41.52, SSIM of 0.9723 and RMSE of 0.0051. Furthermore, we validated the quality of denoising using a classification task in the COVID-19 LDCT dataset, where the images processed by our method improved the classification accuracy to 94\%, achieving 4\% higher accuracy compared to denoising without RL-based denoising. This method offers a promising solution for safer and more accurate LDCT imaging.
• Abstract（参考訳）: 低線量CT(LDCT)は放射線照射の最小化に重要であるが、ノイズの増加と画質の低下につながることが多い。 反復最適化や教師付き学習といった従来の装飾手法は、画像の品質を保たないことが多い。 これらの課題に対処するために,Encoder-Decoder for LDCTを用いた強化学習ベース(RL)アプローチであるPPORLD-EDNetLDCTを紹介する。 本手法は,PPO(Advanced Early Policy Optimization)アルゴリズムを動的RLベースの手法を用いて,画像品質フィードバックに基づいてリアルタイムにデノナイジングポリシーを最適化する手法である。 低線量CT画像と投影データを用いた実験結果から,提案したPPORLD-EDNetLDCTモデルは従来の denoising 法や他のDLベースの手法よりも優れており,ピーク信号対雑音比は41.87,構造類似度指数は0.9814,根平均2乗誤差は0.00236であった。 さらに, NIH-AAPM-Mayo Clinical Low Dose CT ChallengeデータセットではPSNRが41.52, SSIMが0.9723, RMSEが0.0051であった。 さらに,本手法により処理した画像の分類精度を94 %に向上し,RLをベースとしないデノナイジングよりも4 %高い精度でデノナイジングを達成できた。 この方法は、より安全で正確なLDCTイメージングに有望なソリューションを提供する。

関連論文リスト

• SPADE: Spectroscopic Photoacoustic Denoising using an Analytical and Data-free Enhancement Framework [11.207669560907187]
  sPA画像はノイズの影響を受けやすいため、信号対雑音比(SNR)が低く、画質が損なわれる。 フレーム平均化のような従来の denoising 技術は SNR の改善に有効だが、ダイナミックイメージングのシナリオでは実用的ではない。 本研究では,SPA画像のノイズ化のためのSPADEフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T18:42:05Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Deep High-Resolution Network for Low Dose X-ray CT Denoising [1.1852406625172216]
  深層学習技術は低線量CT法(LDCT)に用いられている。 DLデノ化画像の解像度が損なわれ、臨床価値は低下している。 高分解能ネットワーク(HRNet)を導入して,より効率的なデノイザを開発した。
  論文  参考訳（メタデータ） (2021-02-01T02:54:29Z)
• Noise Conscious Training of Non Local Neural Network powered by Self Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
  深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。 そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。 次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
  論文  参考訳（メタデータ） (2020-11-11T10:44:52Z)
• Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks [6.167259271197635]
  ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。 脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。 診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-19T21:44:07Z)

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。