論文の概要: A Green Learning Approach to LDCT Image Restoration

• arxiv url: http://arxiv.org/abs/2602.19540v1
• Date: Mon, 23 Feb 2026 06:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.698087
• Title: A Green Learning Approach to LDCT Image Restoration
• Title（参考訳）: LDCT画像復元のためのグリーンラーニングアプローチ
• Authors: Wei Wang, Yixing Wu, C. -C. Jay Kuo,
• Abstract要約: 本研究は,医療画像の復元にグリーンラーニング(GL)アプローチを提案する。 一般性を欠くことなく,低線量CT(LDCT)画像を例として用いた。 LDCT画像はノイズやアーチファクトの影響を受けやすい。
• 参考スコア（独自算出の注目度）: 24.183199426040975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes a green learning (GL) approach to restore medical images. Without loss of generality, we use low-dose computed tomography (LDCT) images as examples. LDCT images are susceptible to noise and artifacts, where the imaging process introduces distortion. LDCT image restoration is an important preprocessing step for further medical analysis. Deep learning (DL) methods have been developed to solve this problem. We examine an alternative solution using the Green Learning (GL) methodology. The new restoration method is characterized by mathematical transparency, computational and memory efficiency, and high performance. Experiments show that our GL method offers state-of-the-art restoration performance at a smaller model size and with lower inference complexity.
• Abstract（参考訳）: 本研究は,医療画像の復元にグリーンラーニング(GL)アプローチを提案する。 一般性を欠くことなく,低線量CT(LDCT)画像を例として用いた。 LDCT画像はノイズやアーチファクトの影響を受けやすい。 LDCT画像修復は、さらなる医療分析のための重要な前処理ステップである。 この問題を解決するために,ディープラーニング(DL)法が開発されている。 グリーンラーニング(GL)手法を用いた代替手法について検討する。 新しい復元法は, 数学的透明性, 計算およびメモリ効率, 高性能を特徴とする。 実験により,我々のGL法はモデルサイズが小さく,推論の複雑さが低い,最先端の復元性能を提供することが示された。

関連論文リスト

• Deep Guess acceleration for explainable image reconstruction in sparse-view CT [0.0]
  スパースビューCT(Sparse-view Computed)は、医療画像における放射線線量を減らすために設計された新しいプロトコルである。 従来のフィルタバックプロジェクションの復元は、スパースデータによる深刻なアーティファクトに悩まされている。 対照的に、モデルベース反復再建(MBIR)は、臨床的使用には計算コストがかかりすぎる。
  論文  参考訳（メタデータ） (2024-12-02T16:49:42Z)
• Learned Image resizing with efficient training (LRET) facilitates improved performance of large-scale digital histopathology image classification models [0.0]
  組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。 深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。 本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-19T23:45:47Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Self-Supervised Coordinate Projection Network for Sparse-View Computed Tomography [31.774432128324385]
  本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。 暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
  論文  参考訳（メタデータ） (2022-09-12T06:14:04Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• A Close Look at Few-shot Real Image Super-resolution from the Distortion Relation Perspective [25.175411467525606]
  現実世界の超高解像度画像は、数発の歪み/クリーンな画像対で、RealSR問題に挑戦することを目的としている。 本稿では,数発のRealSRに対する歪関係指導型トランスファーラーニング(DRTL)を提案する。 DRTLは、補助歪みと対象歪みの間の歪み関係をキャプチャする知識グラフを構築する。
  論文  参考訳（メタデータ） (2021-11-25T13:33:14Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。