Fugu-MT 論文翻訳(概要): Self-supervised denoising of raw tomography detector data for improved image reconstruction

論文の概要: Self-supervised denoising of raw tomography detector data for improved image reconstruction

arxiv url: http://arxiv.org/abs/2511.17312v1
Date: Fri, 21 Nov 2025 15:30:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-24 18:08:19.076949
Title: Self-supervised denoising of raw tomography detector data for improved image reconstruction
Title（参考訳）: 画像再構成のための生トモグラフィ検出器データの自己教師付き復調
Authors: Israt Jahan Tulin, Sebastian Starke, Dominic Windisch, André Bieberle, Peter Steinbach,
Abstract要約: 超高速電子線X線CTは、短い測定時間によるノイズデータを生成する。これらの問題に対処するため,2つの自己教師型深層学習法について検討した。深層学習法の適用により,検出器データの信号対雑音比が向上し,再構成画像の一貫性が向上することを発見した。
参考スコア（独自算出の注目度）: 2.91425891370655
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ultrafast electron beam X-ray computed tomography produces noisy data due to short measurement times, causing reconstruction artifacts and limiting overall image quality. To counteract these issues, two self-supervised deep learning methods for denoising of raw detector data were investigated and compared against a non-learning based denoising method. We found that the application of the deep-learning-based methods was able to enhance signal-to-noise ratios in the detector data and also led to consistent improvements of the reconstructed images, outperforming the non-learning based method.
Abstract（参考訳）: 超高速電子線X線CTは、測定時間の短いためノイズの多いデータを生成し、再構成アーティファクトを発生させ、全体的な画質を制限した。これらの問題に対処するため、2つの自己教師型ディープラーニング手法を用いて生の検出器データのデノナイズを行い、非学習に基づくデノナイズ法と比較した。深層学習法の適用により,検出器データの信号対雑音比が向上し,再構成画像の一貫性が向上し,非学習法よりも優れた結果が得られた。

関連論文リスト

Learned denoising with simulated and experimental low-dose CT data [8.689987421968116]
本研究は,CT画像における雑音低減の文脈における機械学習手法,特に畳み込みニューラルネットワーク(CNN)の適用について検討する。シミュレーションノイズデータと実世界の実験ノイズデータで学習したアルゴリズムの観測性能の違いを総合的に調査するため,機械学習に大規模な2次元CTデータセットを用いた。
論文参考訳（メタデータ） (2024-08-15T12:24:22Z)
Multi-Sensor Diffusion-Driven Optical Image Translation for Large-Scale Applications [3.4085512042262374]
本稿では,大規模な低空間分解能画像を,異なる光学センサから高分解能に高分解能に分解する手法を提案する。提案手法は, 高精度な領域適応, 画像内容の保存, 精度の向上, 特徴表現の両立を実現する。我々は,0.1884のLearned Perceptual Image Patch similarity (mLPIPS) と45.64のFr'echet Inception Distance (FID) に到達し,比較したすべての手法を表現的に上回る結果を得た。
論文参考訳（メタデータ） (2024-04-17T10:49:00Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
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)
Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
論文参考訳（メタデータ） (2023-04-21T09:30:22Z)
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)
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)
Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文参考訳（メタデータ） (2020-08-19T13:06:24Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
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)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。