論文の概要: PP-Net: A Hybrid Physical-Prior Neural Network for Scattered Light Removal in Biomedical Images on Embedded Devices

• arxiv url: http://arxiv.org/abs/2609.26474v1
• Date: Tue, 22 Sep 2026 14:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.690802
• Title: PP-Net: A Hybrid Physical-Prior Neural Network for Scattered Light Removal in Biomedical Images on Embedded Devices
• Title（参考訳）: PP-Net:組み込みデバイス上の生体画像における散乱光除去のためのハイブリッド物理パラメータニューラルネットワーク
• Abstract要約: PP-Netはバイオメディカル散乱光除去のためのハイブリッド物理プライアニューラルネットワークである。 提案手法は3つの成分から構成される: DFN-Netはセンサによるノイズを抑圧し、ASAPは散乱マップを推定し、物理に基づく事前マップを復元する。 実験により、物理優先分岐はペアベンチマークで最大1.26dBのピーク信号-雑音比(PSNR)を改善することが示された。
• 参考スコア（独自算出の注目度）: 2.1445279479594315
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scattered light is common in biomedical images, yet its removal remains challenging. The difficulty arises from three aspects: first, aligned scattered-light-free biomedical ground truth is often unavailable; second, scattering is coupled with weak illumination and sensor-induced noise; and third, many learning-based restoration models are computationally expensive for embedded devices in Internet of Medical Things (IoMT) scenarios. To address these issues, this paper proposes PP-Net, a hybrid physical-prior neural network for biomedical scattered light removal. The proposed method consists of three components: DFN-Net suppresses sensor-induced noise, ASAP estimates the scattering map and recovers a physics-based prior map, and GF-Net refines the prior map by fusing it with the denoised observation. To reduce the dependence on paired biomedical ground truth, a progressive synthetic training and cross-domain transfer strategy is developed. Experiments show that the physical-prior branch improves the peak signal-to-noise ratio (PSNR) by up to 1.26 dB on paired synthetic benchmarks. Under joint noise-and-scattering degradation, PP-Net improves PSNR by more than 10.8 dB and the structural similarity index measure (SSIM) by more than 0.62 compared with representative baseline methods. On real W2S biomedical images, the proposed method reduces the average Natural Image Quality Evaluator (NIQE) score by 43.3\%. Edge deployment with RKNN conversion and INT8 quantization achieves an average inference latency of approximately 200 ms per $512\times512$ image over 360 test images. These results demonstrate that PP-Net provides an effective and deployable solution for microscopic imaging, endoscopic inspection, and edge-assisted biomedical analysis in IoMT scenarios.
• Abstract（参考訳）: 散乱光は生体画像によく見られるが、その除去は依然として困難である。 第1に、散乱は弱い照明とセンサーによるノイズと結合され、第3に、多くの学習ベースの復元モデルは、IoT(Internet of Medical Things, IoMT)シナリオにおける組み込みデバイスに対して計算コストがかかる。 そこで本研究では,生物医学的散乱光除去のためのハイブリッド物理プライアニューラルネットワークPP-Netを提案する。 提案手法は3つの成分からなる: DFN-Netはセンサによるノイズを抑圧し、ASAPは散乱マップを推定し、物理に基づく事前マップを復元し、GF-Netはそれを偏光観測により改善する。 ペア化されたバイオメディカルグラウンドの真理への依存を低減するため、プログレッシブな合成トレーニングとクロスドメイン転送戦略を開発した。 実験により、物理優先分岐は、ペアの合成ベンチマークで最大1.26dBのピーク信号-雑音比(PSNR)を改善することが示された。 結合ノイズ・散乱劣化下では、PP-NetはPSNRを10.8dB以上改善し、SSIMは代表ベースライン法と比較して0.62以上改善する。 実際のW2Sバイオメディカル画像において、提案手法は、平均自然画像品質評価器(NIQE)のスコアを43.3\%削減する。 RKNN変換とINT8量子化によるエッジデプロイメントは、360度テストイメージ上での平均推論遅延を約200ms/512\times512$で達成している。 これらの結果から, PP-Netは, IoMTシナリオにおける顕微鏡像, 内視鏡検査, エッジ支援バイオメディカル分析に有効で展開可能なソリューションであることが示された。

関連論文リスト

• Matrix-Free Photoacoustic Image Reconstruction via Sensor-Token Self-Attention [0.9949801888214528]
  光音響トモグラフィ(PAT)は、生体組織の光吸収コントラストと超音波の空間分解能を組み合わせる。 反復圧縮センシング解法とアンロールディープネットワークは、推論時に系の行列に依存する。 本稿では,各センサの全時系列をトークンとして扱うトランスフォーマーアーキテクチャであるSensor Attention Network (SAN)を提案する。
  論文  参考訳（メタデータ） (2026-07-28T11:00:28Z)
• Three-Dimensional Retinal Microvasculature Restoration in OCT Angiography [4.442929593591647]
  本稿では,1つのOCTAボリュームから解剖学的血管を復元する深層学習アルゴリズムを提案する。 提案モデルでは,元のOCTAボリュームに比べて画質が大幅に向上した。
  論文  参考訳（メタデータ） (2026-06-03T19:23:09Z)
• Compressive sensing inspired self-supervised single-pixel imaging [48.79613794195208]
  SISTA-Netは、単画素イメージングのための圧縮センシングインスパイアされた自己教師方式である。 我々は、適応スパース変換と学習可能なソフトスレッショルド演算子を組み合わせることで、潜伏領域に明示的な物理的間隔を課すために、ディープ非線形ネットワークを利用する。 複数のシミュレーションシナリオの実験では、SISTA-NetはPSNRの2.6dBで最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2026-03-31T13:31:43Z)
• Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data [9.160782425067712]
  低線量スキャンから高画質画像を再構成するためのCycle-DCN(Cycle-versa Adrial Denoising Convolutional Network)を提案する。 1,224名の患者から得られた生のPET脳データからなる大規模なデータセットを用いて実験を行った。 サイクルDCNは平均ピーク信号対雑音比(PSNR)、SSIM、正規化ルート平均角誤差(NRMSE)を3つの線量レベルで改善する。
  論文  参考訳（メタデータ） (2024-10-31T04:34:28Z)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Convolutional Neural Network to Restore Low-Dose Digital Breast Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
  畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。 平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
  論文  参考訳（メタデータ） (2022-03-22T13:31:47Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Multi-Scale Convolutional Neural Network for Automated AMD Classification using Retinal OCT Images [1.299941371793082]
  加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。 近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。 様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2021-10-06T18:20:58Z)
• ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
  本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
  論文  参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。