論文の概要: Unsupervised Denoising of Diffusion-Weighted Images with Bias and Variance Corrected Noise Modeling

• arxiv url: http://arxiv.org/abs/2602.22235v1
• Date: Sun, 22 Feb 2026 04:32:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.30882
• Title: Unsupervised Denoising of Diffusion-Weighted Images with Bias and Variance Corrected Noise Modeling
• Title（参考訳）: バイアスと可変補正ノイズモデリングによる拡散重み付き画像の教師なしデノイング
• Authors: Jine Xie, Zhicheng Zhang, Yunwei Chen, Yanqiu Feng, Xinyuan Zhang,
• Abstract要約: 拡散磁気共鳴イメージング(dMRI)は臨床診断と神経科学の研究において重要な役割を担っている。 近年の自己監督型・非教師型復調法は, クリーン参照を必要とせず, 画質の向上による実用的な解法である。 しかし、これらの手法の多くは、教師付き学習過程において、dMRI大容量データに存在する非ガウス雑音の特徴を明示的に説明していない。 具体的には、平均バイアスを除去する1次モーメントと、2次モーメントから2次モーメントから正方形への2次損失関数を提案する。
• 参考スコア（独自算出の注目度）: 19.01755888772832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion magnetic resonance imaging (dMRI) plays a vital role in both clinical diagnostics and neuroscience research. However, its inherently low signal-to-noise ratio (SNR), especially under high diffusion weighting, significantly degrades image quality and impairs downstream analysis. Recent self-supervised and unsupervised denoising methods offer a practical solution by enhancing image quality without requiring clean references. However, most of these methods do not explicitly account for the non-Gaussian noise characteristics commonly present in dMRI magnitude data during the supervised learning process, potentially leading to systematic bias and heteroscedastic variance, particularly under low-SNR conditions. To overcome this limitation, we introduce noise-corrected training objectives that explicitly model Rician statistics. Specifically, we propose two alternative loss functions: one derived from the first-order moment to remove mean bias, and another from the second-order moment to correct squared-signal bias. Both losses include adaptive weighting to account for variance heterogeneity and can be used without changing the network architecture. These objectives are instantiated in an image-specific, unsupervised Deep Image Prior (DIP) framework. Comprehensive experiments on simulated and in-vivo dMRI show that the proposed losses effectively reduce Rician bias and suppress noise fluctuations, yielding higher image quality and more reliable diffusion metrics than state-of-the-art denoising baselines. These results underscore the importance of bias- and variance-aware noise modeling for robust dMRI analysis under low-SNR conditions.
• Abstract（参考訳）: 拡散磁気共鳴イメージング(dMRI)は臨床診断と神経科学の研究において重要な役割を担っている。 しかし、特に高拡散重み付け下では、信号対雑音比(SNR)が本質的に低いため、画質が著しく低下し、下流分析に支障が生じる。 近年の自己監督型・非教師型復調法は, クリーン参照を必要とせず, 画質の向上による実用的な解法である。 しかし、これらの手法の多くは、教師付き学習過程におけるdMRI大容量データに一般的に見られる非ガウス的ノイズ特性を明示的に考慮していないため、特に低SNR条件下では、体系的バイアスやヘテロセダスティックな分散を引き起こす可能性がある。 この制限を克服するために、リキアン統計を明示的にモデル化する雑音補正学習目標を導入する。 具体的には、平均バイアスを除去する1次モーメントと正方形信号バイアスを補正する2次モーメントの2つの代替損失関数を提案する。 どちらの損失にも、分散の不均一性を考慮した適応重み付けが含まれており、ネットワークアーキテクチャを変更することなく使用できる。 これらの目的は、イメージ固有の、教師なしのDeep Image Prior(DIP)フレームワークでインスタンス化される。 シミュレーションおよびin-vivo dMRIに関する総合的な実験により、提案された損失はリッチ偏差を効果的に低減し、ノイズ変動を抑制し、最先端のデノナイジングベースラインよりも高画質で信頼性の高い拡散指標が得られることが示された。 これらの結果は、低SNR条件下での頑健なdMRI解析におけるバイアスと分散を考慮したノイズモデリングの重要性を浮き彫りにした。

関連論文リスト

• 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)
• Score-based Self-supervised MRI Denoising [1.6385815610837167]
  教師付き学習に基づく復号化手法は優れた性能を達成しているが、高い信号対雑音比 (SNR) ラベルを必要とする。 自己教師付き学習はラベル不足の問題に対処することを約束するが、既存の自己教師型認知法は空間的特徴を過度に表現する傾向がある。 C2S(Corruption2Self)は,MRIのための新しいスコアベースの自己教師型フレームワークである。
  論文  参考訳（メタデータ） (2025-05-08T20:27:13Z)
• Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
  実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。 そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。 提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
  論文  参考訳（メタデータ） (2024-03-08T12:07:18Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。 我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。 我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-08T14:59:41Z)
• Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
  従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。 本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。 スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
  論文  参考訳（メタデータ） (2023-06-12T21:53:32Z)
• 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)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)

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。