論文の概要: Unsupervised Denoising of Real Clinical Low Dose Liver CT with Perceptual Attention Networks

• arxiv url: http://arxiv.org/abs/2605.00793v1
• Date: Fri, 01 May 2026 17:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:29.025765
• Title: Unsupervised Denoising of Real Clinical Low Dose Liver CT with Perceptual Attention Networks
• Title（参考訳）: 知覚的注意ネットワークを用いた非観血的低用量肝CTの非観血的評価
• Authors: Jingxi Pu, Tonghua Liu, Zhilin Guan, Siqiao Li, Yang Ming, Zheng Cong, Wei Zhang, Fangwei Li,
• Abstract要約: 本稿では,ディープラーニングを用いた低線量CTの難読化問題に焦点をあてる。 教師なし学習のためにCycle-GANにインスパイアされた本論文では、教師なし低線量トモグラフィーのフレームワークをエンドツーエンドで提案する。
• 参考スコア（独自算出の注目度）: 3.4927645095553514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of deep learning, medical image processing has been widely used to assist clinical research. This paper focuses on the denoising problem of low-dose computed tomography using deep learning. Although low-dose computed tomography reduces radiation exposure to patients, it also introduces more noise, which may interfere with visual interpretation by physicians and affect diagnostic results. To address this problem, inspired by Cycle-GAN for unsupervised learning, this paper proposes an end-to-end unsupervised low-dose computed tomography denoising framework. The proposed framework combines a U-Net structure for multi-scale feature extraction, an attention mechanism for feature fusion, and a residual network for feature transformation. It also introduces perceptual loss to improve the network for the characteristics of medical images. In addition, we construct a real low-dose computed tomography dataset and design a large number of comparative experiments to validate the proposed method, using both image-based evaluation metrics and medical evaluation criteria. Compared with classical methods, the main advantage of this paper is that it addresses the limitation that real clinical data cannot be directly used for supervised learning, while still achieving excellent performance. The experimental results are also professionally evaluated by imaging physicians and meet clinical needs.
• Abstract（参考訳）: 深層学習の発展に伴い、医療画像処理は臨床研究を支援するために広く利用されている。 本稿では,ディープラーニングを用いた低線量CTの難読化問題に焦点をあてる。 低線量CTは患者への放射線被曝を減少させるが、医師による視覚的解釈を阻害し、診断結果に影響する可能性があるため、より多くのノイズも引き起こす。 そこで本研究では,教師なし学習のためのCycle-GANに触発されて,教師なし低線量トモグラフィー手法を提案する。 提案フレームワークは,マルチスケール特徴抽出のためのU-Net構造,特徴融合のための注意機構,特徴変換のための残留ネットワークを組み合わせた。 また,医用画像の特徴に対するネットワーク改善のための知覚的損失も導入している。 さらに,実際の低線量トモグラフィーデータセットを構築し,画像に基づく評価基準と医療評価基準の両方を用いて,提案手法の有効性を検証するために,多数の比較実験を設計する。 従来の手法と比較して,本論文の主な利点は,実際の臨床データが教師付き学習に直接利用できないという限界に対処しつつ,優れた性能を保っている点である。 臨床検査の結果は, 画像診断医が専門的に評価し, 臨床ニーズを満たしている。

関連論文リスト

• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• Multimodal Deep Learning for Stroke Prediction and Detection using Retinal Imaging and Clinical Data [0.7322887425853788]
  本研究は、脳卒中検出とリスク予測に網膜画像と臨床データを活用することの影響について検討する。 光コヒーレンス・トモグラフィ(OCT)と赤外反射性網膜スキャンを処理するマルチモーダルディープニューラルネットワークを提案する。 実験により,急性脳梗塞に伴う網膜の持続的影響の検出において,考慮すべきモダリティの予測能力が確立された。
  論文  参考訳（メタデータ） (2025-05-05T14:22:58Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• DEMIST: A deep-learning-based task-specific denoising approach for myocardial perfusion SPECT [17.994633874783144]
  MPI SPECT画像(DEMIST)を識別するタスク固有深層学習手法を提案する。 この手法は、デノゲーションを行う一方で、検出タスクにおけるオブザーバのパフォーマンスに影響を与える特徴を保存するように設計されている。 以上の結果から,MPI SPECTで低位像を呈示するDEMISTのさらなる臨床評価が示唆された。
  論文  参考訳（メタデータ） (2023-06-07T08:40:25Z)
• 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)
• Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism [4.998352078907441]
  放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。 高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。 本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2021-12-01T06:46:38Z)
• Lesion-Inspired Denoising Network: Connecting Medical Image Denoising and Lesion Detection [6.170271503640482]
  LIDnet(Lesion-Inspired Denoising Network)を提案し、デノイジング性能と病変検出精度を向上させます。 実験により, LIDnetを装着することにより, ベースライン法におけるノイズ検出と病変検出の両性能を著しく向上できることが示された。
  論文  参考訳（メタデータ） (2021-04-18T12:53:36Z)
• Do Noises Bother Human and Neural Networks In the Same Way? A Medical Image Analysis Perspective [20.40395704320726]
  アプリケーション指向のデノナイズフレームワークを導入し、次のニューラルネットワークのデノナイズに焦点を当てる。 実験結果から,提案手法は人間の視覚的認知ネットワークよりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-11-04T06:58:09Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Design and Development of a Web-based Tool for Inpainting of Dissected Aortae in Angiography Images [69.14026408176609]
  提案した塗布ツールは、大動脈解離を塗布するタスクに基づいてトレーニングされたニューラルネットワークを組み合わせたものである。 ツールをWebアプリケーションとして設計することにより、ニューラルネットワークの使用を簡素化し、初期学習曲線を小さくする。
  論文  参考訳（メタデータ） (2020-05-06T12:22:21Z)

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。