論文の概要: PatchDenoiser: Parameter-efficient multi-scale patch learning and fusion denoiser for medical images

• arxiv url: http://arxiv.org/abs/2602.21987v1
• Date: Wed, 25 Feb 2026 15:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.875741
• Title: PatchDenoiser: Parameter-efficient multi-scale patch learning and fusion denoiser for medical images
• Title（参考訳）: PatchDenoiser:医療画像のためのパラメータ効率のよいマルチスケールパッチ学習と融合デノイザ
• Authors: Jitindra Fartiyal, Pedro Freire, Sergei K. Turitsyn, Sergei G. Solovski,
• Abstract要約: PatchDenoiserは軽量でエネルギー効率のよいマルチスケールパッチベースのDenoisingフレームワークである。 局所的なテクスチャ抽出とグローバルなコンテキストアグリゲーションに分解する。 2016 Mayo Low-Dose CTデータセットでは、PatchDenoiserは最先端のCNNとGANベースのメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.5829702814704526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical images are essential for diagnosis, treatment planning, and research, but their quality is often degraded by noise from low-dose acquisition, patient motion, or scanner limitations, affecting both clinical interpretation and downstream analysis. Traditional filtering approaches often over-smooth and lose fine anatomical details, while deep learning methods, including CNNs, GANs, and transformers, may struggle to preserve such details or require large, computationally expensive models, limiting clinical practicality. We propose PatchDenoiser, a lightweight, energy-efficient multi-scale patch-based denoising framework. It decomposes denoising into local texture extraction and global context aggregation, fused via a spatially aware patch fusion strategy. This design enables effective noise suppression while preserving fine structural and anatomical details. PatchDenoiser is ultra-lightweight, with far fewer parameters and lower computational complexity than CNN-, GAN-, and transformer-based denoisers. On the 2016 Mayo Low-Dose CT dataset, PatchDenoiser consistently outperforms state-of-the-art CNN- and GAN-based methods in PSNR and SSIM. It is robust to variations in slice thickness, reconstruction kernels, and HU windows, generalizes across scanners without fine-tuning, and reduces parameters by ~9x and energy consumption per inference by ~27x compared with conventional CNN denoisers. PatchDenoiser thus provides a practical, scalable, and computationally efficient solution for medical image denoising, balancing performance, robustness, and clinical deployability.
• Abstract（参考訳）: 医療画像は診断、治療計画、研究に不可欠であるが、その品質は低用量取得、患者の動き、またはスキャナーの制限によるノイズによって劣化し、臨床解釈と下流分析の両方に影響を及ぼす。 従来のフィルタリング手法は、しばしば細かな解剖学的詳細を失うが、CNN、GAN、トランスフォーマーといったディープラーニング手法は、そのような詳細を保存するのに苦労することがある。 PatchDenoiserは軽量で省エネなマルチスケールパッチベースのデノーミングフレームワークである。 局所的なテクスチャ抽出とグローバルコンテキストアグリゲーションに分解し、空間的に認識されたパッチ融合戦略を介して融合する。 この設計は、微細構造や解剖学的詳細を保存しながら、効果的なノイズ抑制を可能にする。 PatchDenoiserは超軽量で、CNN-、GAN-、トランスフォーマーベースのデノイザよりもパラメータが少なく、計算量も少ない。 2016 Mayo Low-Dose CTデータセットでは、PatchDenoiserはPSNRとSSIMで最先端のCNNとGANベースのメソッドを一貫して上回っている。 スライス厚、リコンストラクションカーネル、HUウィンドウのバリエーションに頑丈で、微調整なしでスキャナをまたいで一般化し、パラメーターを9倍、推論あたりのエネルギー消費を27倍削減する。 これにより、PatchDenoiserは、医療画像の分解、パフォーマンスのバランス、堅牢性、臨床展開性のための実用的で、スケーラブルで、計算的に効率的なソリューションを提供する。

関連論文リスト

• Evaluating the Impact of Radiographic Noise on Chest X-ray Semantic Segmentation and Disease Classification Using a Scalable Noise Injection Framework [4.910952612437441]
  我々は2つの重要な胸部X線作業における量子(Poisson)と電子(Gaussian)ノイズのシミュレーションに対する最先端畳み込みニューラルネットワーク(CNN)の堅牢性を評価する。 セマンティックセグメンテーションモデルは非常に脆弱で、肺セグメンテーション性能は重度の電子ノイズ下で崩壊した。 我々は、AtelectasisとPneumothoraxを区別するなどの特定のタスクが、量子ノイズの下で破滅的に失敗することを発見した。
  論文  参考訳（メタデータ） (2025-09-28T05:09:43Z)
• GARD: Gamma-based Anatomical Restoration and Denoising for Retinal OCT [5.763765207893223]
  GARD (Gamma-based Anatomical Restoration and Denoising) は OCT 画像復調のための新しい深層学習手法である。 GARDは、スペックルの統計特性をより正確に反映するために、Denoising Diffusion Gamma Modelを使用している。 GARDはPSNR, SSIM, MSEの点から, 従来のdenoising法や最先端のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-12T15:24:41Z)
• MIND: A Noise-Adaptive Denoising Framework for Medical Images Integrating Multi-Scale Transformer [2.746409982853943]
  本稿では,マルチスケールの畳み込みとトランスフォーマーアーキテクチャを統合した医療画像適応型復調モデル(MI-ND)を提案する。 雑音知覚によって駆動されるチャネル空間的注意制御とクロスモーダル特徴融合を実現する。 構造回復、診断感度、クロスモーダルロバストネスに優れた利点があり、医用画像の強化とAIによる診断と治療に有効なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-11T10:00:51Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Noise Conscious Training of Non Local Neural Network powered by Self Attentive Spectral Normalized Markovian Patch GAN for Low Dose CT Denoising [20.965610734723636]
  深層学習技術は低線量CT(LDCT) denoisingの主流の方法として現れている。 そこで本研究では,CT画像の近傍類似性を利用した新しい畳み込みモジュールを提案する。 次に,CTノイズの非定常性の問題に向けて移動し,LDCT復調のための新しいノイズ認識平均二乗誤差損失を導入した。
  論文  参考訳（メタデータ） (2020-11-11T10:44:52Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。