論文の概要: Toward Better Optimization of Low-Dose CT Enhancement: A Critical Analysis of Loss Functions and Image Quality Assessment Metrics

• arxiv url: http://arxiv.org/abs/2511.00698v1
• Date: Sat, 01 Nov 2025 20:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.898509
• Title: Toward Better Optimization of Low-Dose CT Enhancement: A Critical Analysis of Loss Functions and Image Quality Assessment Metrics
• Title（参考訳）: 低線量CT強調の最適化に向けて:損失関数と画像品質評価指標の批判的分析
• Authors: Taifour Yousra, Beghdadi Azeddine, Marie Luong, Zuheng Ming,
• Abstract要約: LDCT画像品質向上のための異なる損失関数の関係を客観的に解析する。 その結果、LFと品質指標の矛盾が明らかとなり、画像品質向上のための新たな損失関数を開発する際に、画質指標の考慮の必要性が浮き彫りになった。
• 参考スコア（独自算出の注目度）: 0.7049738935364297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-dose CT (LDCT) imaging is widely used to reduce radiation exposure to mitigate high exposure side effects, but often suffers from noise and artifacts that affect diagnostic accuracy. To tackle this issue, deep learning models have been developed to enhance LDCT images. Various loss functions have been employed, including classical approaches such as Mean Square Error and adversarial losses, as well as customized loss functions(LFs) designed for specific architectures. Although these models achieve remarkable performance in terms of PSNR and SSIM, these metrics are limited in their ability to reflect perceptual quality, especially for medical images. In this paper, we focus on one of the most critical elements of DL-based architectures, namely the loss function. We conduct an objective analysis of the relevance of different loss functions for LDCT image quality enhancement and their consistency with image quality metrics. Our findings reveal inconsistencies between LFs and quality metrics, and highlight the need of consideration of image quality metrics when developing a new loss function for image quality enhancement.
• Abstract（参考訳）: 低線量CT(LDCT)画像は放射線曝露を減らすために広く用いられているが、診断精度に影響を与えるノイズやアーチファクトに悩まされることが多い。 この問題に対処するため,LDCT画像の深層学習モデルを開発した。 Mean Square Errorのような古典的なアプローチや、特定のアーキテクチャ用に設計されたカスタマイズされた損失関数(LF)など、さまざまな損失関数が採用されている。 これらのモデルはPSNRやSSIMの点で優れた性能を発揮するが、特に医用画像において知覚品質を反映する能力は限られている。 本稿では,DLアーキテクチャの最も重要な要素である損失関数に着目した。 我々は、LDCT画像品質向上のための異なる損失関数の関連性とその画像品質指標との整合性を客観的に分析する。 その結果、LFと品質指標の矛盾が明らかとなり、画像品質向上のための新たな損失関数を開発する際に、画質指標の考慮の必要性が浮き彫りになった。

関連論文リスト

• Perceptual Influence: Improving the Perceptual Loss Design for Low-Dose CT Enhancement [4.720136305595603]
  低線量CT(Low-Dose Computed Tomography)画像を改善するためのトレーニングネットワークの強力なツールとして,知覚的損失が出現している。 知覚的影響の概念(知覚的損失項の総損失に対する相対的寄与を定量化する計量)を導入する。 以上の結果から, より優れた知覚的損失設計は, 再構成CT画像のノイズ低減と構造的忠実度を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-27T00:48:43Z)
• Beyond Pixels: Medical Image Quality Assessment with Implicit Neural Representations [2.0934875997852096]
  アーティファクトは、診断精度と下流分析に影響を及ぼす医療画像において重要な課題となる。 画像品質評価に暗黙的ニューラル表現(INR)を用いることを提案する。 本手法は合成人工物パターンを用いてACDCデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-08-07T09:00:06Z)
• Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
  画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。 しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。 本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:04Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向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） (2023-11-01T10:09:01Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)
• A Bayesian Optimization Approach for Attenuation Correction in SPECT Brain Imaging [1.2209547858269227]
  本稿では, SPECT脳画像における減衰補正(BOAC)に対するベイズ最適化手法を提案する。 BOACは、数値ファントムからシミュレートしたノイズと減衰したシングラムを用いたSPECT脳画像で実証されている。
  論文  参考訳（メタデータ） (2021-09-24T12:27:06Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。