論文の概要: Progressive $\mathcal{J}$-Invariant Self-supervised Learning for Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2601.14180v2
• Date: Wed, 28 Jan 2026 15:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 13:43:09.058997
• Title: Progressive $\mathcal{J}$-Invariant Self-supervised Learning for Low-Dose CT Denoising
• Title（参考訳）: 低用量CT復調のためのプログレッシブ$\mathcal{J}$-不変自己教師学習
• Authors: Yichao Liu, Zongru Shao, Yueyang Teng, Junwen Guo,
• Abstract要約: 本稿では,LDCTデノーミング性能を向上させるために$mathcalJ$-invariantの使用を最大化するProgressive $mathcalJ$-invariant Learningを提案する。 我々は、段階的に段階的に条件付き独立を強制する段階的な盲点決定機構を導入する。 Mayo LDCTデータセットの実験は、提案手法が既存の自己教師型アプローチより一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 4.0226843660257225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning has been increasingly investigated for low-dose computed tomography (LDCT) image denoising, as it alleviates the dependence on paired normal-dose CT (NDCT) data, which are often difficult to collect. However, many existing self-supervised blind-spot denoising methods suffer from training inefficiencies and suboptimal performance due to restricted receptive fields. To mitigate this issue, we propose a novel Progressive $\mathcal{J}$-invariant Learning that maximizes the use of $\mathcal{J}$-invariant to enhance LDCT denoising performance. We introduce a step-wise blind-spot denoising mechanism that enforces conditional independence in a progressive manner, enabling more fine-grained learning for denoising. Furthermore, we explicitly inject a combination of controlled Gaussian and Poisson noise during training to regularize the denoising process and mitigate overfitting. Extensive experiments on the Mayo LDCT dataset demonstrate that the proposed method consistently outperforms existing self-supervised approaches and achieves performance comparable to, or better than, several representative supervised denoising methods.
• Abstract（参考訳）: 低用量CT(LDCT)画像に対する自己教師あり学習は、収集が困難である2つの正常線量CT(NDCT)データへの依存を軽減するため、ますます研究されている。 しかし、既存の自己監督型盲点認知法の多くは、制限された受容野による訓練の非効率性と準最適性能に悩まされている。 この問題を緩和するために、LDCTの劣化性能を高めるために$\mathcal{J}$-invariant Learningを最大化する新しいプログレッシブな$\mathcal{J}$-invariant Learningを提案する。 本研究では,段階的に段階的に段階的に独立を強制し,よりきめ細かな学習を可能にした視覚盲点認知機構を提案する。 さらに,トレーニング中のガウスノイズとポアソンノイズの組み合わせを明示的に注入し,デノナイジング過程を規則化し,オーバーフィッティングを緩和する。 Mayo LDCTデータセットの大規模な実験により、提案手法は既存の自己監督的手法を一貫して上回り、いくつかの代表的指導的認知的手法に匹敵する性能を達成している。

関連論文リスト

• 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)
• Self-supervised OCT Image Denoising with Slice-to-Slice Registration and Reconstruction [5.972377737617966]
  構造保存ノイズ低減のための学習に基づく自己教師手法は,従来の手法よりも優れた性能を示した。 我々は,OCT画像復調に適したエンドツーエンドの自己教師型学習フレームワークを新たに導入する。
  論文  参考訳（メタデータ） (2023-11-26T02:45:16Z)
• 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)
• Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
  CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。 放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。 現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。 我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
  論文  参考訳（メタデータ） (2022-11-01T20:58:50Z)
• 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)
• No-reference denoising of low-dose CT projections [2.7716102039510564]
  低線量CT (LDCT) は放射線学において明らかな傾向を呈し, 患者への過剰なX線照射の回避が望まれる。 放射線線量減少は患者のリスクを減少させるが、ノイズレベルを上昇させ、画像の品質と診断値に影響を及ぼす。 1つの緩和オプションは、ディープラーニングアルゴリズムを用いてデノナイジングモデルを訓練するために、低線量および高線量CTプロジェクションのペアを検討することである。 本稿では,従来の自己監督法と異なり,新しい自己監督法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T13:51:33Z)
• 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)
• Self-supervised Denoising via Diffeomorphic Template Estimation: Application to Optical Coherence Tomography [6.197149831796131]
  本稿では, 動き変形を繰り返し取得する際の自己教師型 denoising の利用を可能にする, 共同微分型テンプレート推定およびデノナイジングフレームワークを提案する。 OCT画像のノイズ化には質的,定量的な改善が見られ,マルチ露光に適応可能な画像モダリティに汎用性が期待できる。
  論文  参考訳（メタデータ） (2020-08-18T16:52:10Z)
• 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。