論文の概要: Distributed Deep Learning for Medical Image Denoising with Data Obfuscation
- arxiv url: http://arxiv.org/abs/2511.06006v1
- Date: Sat, 08 Nov 2025 13:27:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.70653
- Title: Distributed Deep Learning for Medical Image Denoising with Data Obfuscation
- Title（参考訳）: データ難読化による医用画像の分散深層学習
- Authors: Sulaimon Oyeniyi Adebayo, Ayaz H. Khan,
- Abstract要約: 本研究では,NIH Chest X-ray14データセットから胸部X線像を抽出するための分散ディープラーニングについて検討した。
U-Net++は、競合するPak Signal to Noise Ratio(PSNR)とStructured similarity Index Method(SSIM)のスコアを達成し、優れたノイズ処理性能を提供する。
- 参考スコア（独自算出の注目度）: 1.4681656119120585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image denoising is essential for improving image quality while minimizing the exposure of sensitive information, particularly when working with large-scale clinical datasets. This study explores distributed deep learning for denoising chest X-ray images from the NIH Chest X-ray14 dataset, using additive Gaussian noise as a lightweight obfuscation technique. We implement and evaluate U-Net and U-Net++ architectures under single-GPU, standard multi-GPU (DataParallel), and optimized multi-GPU training configurations using PyTorch's DistributedDataParallel (DDP) and Automatic Mixed Precision (AMP). Our results show that U-Net++ consistently delivers superior denoising performance, achieving competitive Peak Signal to Noise Ratio (PSNR) and Structured Similarity Index Method (SSIM) scores, though with less performance in Learned Perceptual Image Patch Similarity (LPIPS) compared to U-Net under low and moderate noise levels. This indicates U-Net++'s enhanced structural fidelity and low perceptual similarity. Meanwhile, our optimized training pipeline reduces training time by over 60% for both models compared to single-GPU training, and outperforms standard DataParallel by over 40%, with only a minor accuracy drop for both models (trading some accuracy for speed). These findings highlight the effectiveness of software-level optimization in distributed learning for medical imaging. This work demonstrates the practical viability of combining architectural design, lightweight obfuscation, and advanced distributed training strategies to accelerate and enhance medical image processing pipelines in real-world clinical and research environments. The full implementation is publicly available at: https://github.com/Suadey/medical-image-denoising-ddp.
- Abstract（参考訳）: 医用画像復調は画像の品質向上に不可欠であり、特に大規模臨床データセットを扱う場合、機密情報の露出を最小限に抑える。
本研究では,NIH Chest X-ray14データセットから胸部X線像を抽出するための分散深度学習法について検討し,ガウス雑音を軽量難読化法として用いた。
我々は、シングルGPU、標準マルチGPU(DataParallel)、PyTorchのDistributed DataParallel(DDP)とAutomatic Mixed Precision(AMP)を用いて、U-NetおよびU-Net++アーキテクチャを実装し、評価する。
この結果から,U-Net++は,低音域と中音域のU-Netと比較して,Learted Perceptual Image Patch similarity (LPIPS) の性能が低いにもかかわらず,Pak Signal to Noise Ratio (PSNR) とStructured similarity Index Method (SSIM) のスコアの競争力のある性能を一貫して達成していることがわかった。
これは、U-Net++の強化された構造的忠実度と知覚的類似度が低いことを示している。
一方、最適化されたトレーニングパイプラインは、シングルGPUトレーニングと比較して両方のモデルのトレーニング時間を60%以上削減し、標準のDataParallelを40%以上上回ります。
これらの結果は,医用画像の分散学習におけるソフトウェアレベルの最適化の有効性を浮き彫りにした。
本研究は, 現実の臨床・研究環境における医療画像処理パイプラインの高速化と向上を目的とした, 建築設計, 軽量難読化, 高度分散トレーニング戦略を組み合わせた実用可能性を示すものである。
完全な実装は、https://github.com/Suadey/medical-image-denoising-ddp.comで公開されている。
関連論文リスト
- Efficient Image Denoising Using Global and Local Circulant Representation [4.673484951060369]
Haar-tSVDは、Haar変換の前に非局所的な自己相似性を探索する単純なアルゴリズムである。
テンソル-特異値の統一分解により,グローバルおよび局所的なパッチ相関を効果的に捉えることができることを示す。
Haar-tSVDの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2025-08-14T03:25:59Z) - Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
損失関数にマルチスケールテクスチャ情報をキャプチャして埋め込む新しい手法を提案する。
本稿では,自己認識層によって動的に集約された画像の多スケールテクスチャ表現について紹介する。
低用量CTで広範な実験を行うことで,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-03-25T11:28:52Z) - 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) - Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。
画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。
本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-01T10:52:03Z) - {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。
本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。
muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
論文 参考訳（メタデータ） (2022-11-23T11:26:24Z) - Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。
我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。
我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
論文 参考訳（メタデータ） (2022-06-08T06:19:30Z) - 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) - A comparison study of CNN denoisers on PRNU extraction [10.517110532297021]
我々は,コナールニューラルネットワーク(CNN)を用いたPRNU抽出の最新の成果を生かしている。
本稿では,一般の「ドレスデン画像データベース」上で,これらのCNNによるSCI性能の比較評価を行った。
論文 参考訳（メタデータ） (2021-12-06T08:28:59Z) - Adaptive Denoising via GainTuning [17.72738152112575]
画像復調のためのディープ畳み込みニューラルネットワーク(CNN)は通常、大規模なデータセットでトレーニングされる。
本稿では,大規模データセット上で事前学習したCNNモデルを,個々のテスト画像に対して適応的かつ選択的に調整する「GainTuning」を提案する。
GainTuningは、標準的な画像デノゲティングベンチマークで最先端のCNNを改善し、ホールドアウトテストセットのほぼすべての画像上でのデノゲティング性能を向上させる。
論文 参考訳（メタデータ） (2021-07-27T13:35:48Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z)
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。