Fugu-MT 論文翻訳(概要): Beyond MSE: Rician Likelihood Denoising for Self-Supervised Cardiac $T2$ and $T1ρ$ MRI

論文の概要: Beyond MSE: Rician Likelihood Denoising for Self-Supervised Cardiac $T2$ and $T1ρ$ MRI

arxiv url: http://arxiv.org/abs/2609.31777v1
Date: Thu, 24 Sep 2026 18:17:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 12:53:54.943432
Title: Beyond MSE: Rician Likelihood Denoising for Self-Supervised Cardiac $T2$ and $T1ρ$ MRI
Title（参考訳）: MSEを超える: Rician Likelihood Denoising for Self-Supervised Cardiac $T2$ and $T1ρ$ MRI
Abstract要約: 深層学習は画像復調を改善したが,高分解能,高速な取得には低雑音の基底真理が欠如しているため,心臓MRIは依然として困難である。平均二乗誤差(MSE)損失を用い,ゼロ平均,独立性,同一分布(d.d.)ノイズを仮定するノイズ2Void型ブラインドスポットデノナイジングがMR大画像にはあまり適していないことを示す。我々は、既知のリッチ雑音モデルの下で、最大推定値として自己教師付き遮音法を定式化する。
参考スコア（独自算出の注目度）: 0.08155575318208629
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Magnetic resonance imaging involves an inherent trade-off among spatial resolution, acquisition time, and noise. This trade-off contributes to long scan times and high cost. Deep learning has improved image denoising, but cardiac MRI remains difficult because high-resolution, rapid acquisitions generally lack corresponding low-noise ground truth. Self-supervised denoising offers a potential solution by learning from noisy image pairs or even single noisy acquisitions. However, we show that Noise2Void-style blind-spot denoising, which uses a mean squared error (MSE) loss and assumes zero-mean, independent and identically distributed (i.i.d.) noise, is poorly suited to MR magnitude images. When applied to short-axis $T2$-weighted and $T1ρ$-weighted cardiac MRI with synthetic Rician noise, it produces biased denoised images and biased parametric maps of $T2$ and $T1ρ$. To address this limitation, we formulate self-supervised denoising as maximum likelihood estimation under a known Rician noise model. This yields unbiased denoisers that are competitive with supervised baselines.
Abstract（参考訳）: 磁気共鳴イメージングは、空間分解能、取得時間、ノイズの間に固有のトレードオフを含む。このトレードオフは、長いスキャン時間と高いコストに寄与します。深層学習は画像復調を改善したが,高分解能,高速な取得は一般的に低ノイズ基底の真理を欠いているため,心臓MRIは依然として困難である。自己監督型雑音処理は、ノイズの多いイメージペアや、単一のノイズの多い取得から学ぶことで潜在的な解決策を提供する。しかし、平均二乗誤差(MSE)損失を用い、ゼロ平均、独立、等分散ノイズ(すなわち、d)を仮定するノイズ2Void型ブラインドスポットデノイズ化は、MR大画像にはあまり適していない。シンセティック・リッチ雑音を伴う短軸のT2$-weightedおよびT1ρ$-weighted Heartc MRIに適用すると、偏光画像と偏光パラメトリックマップが$T2$と$T1ρ$となる。この制限に対処するために、既知のリッチ雑音モデルの下で、自己教師付き雑音推定を最大推定として定式化する。これにより、教師付きベースラインと競合する偏見のないデノイザーが生まれる。

関連論文リスト

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)
Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images [4.1738581761446145]
本稿では,MRI画像復調のためのスパース・ミックス・オブ・エキスパート・フレームワークを活用した新しいアプローチを提案する。各専門家は、異なる画像領域に関連付けられた特定のノイズ特性をターゲットとするために微調整された、特殊化畳み込みニューラルネットワークである。提案手法は, 合成および実世界のMRIデータセット上での最先端の復調技術よりも優れた性能を示す。
論文参考訳（メタデータ） (2025-01-24T03:04:44Z)
How to Best Combine Demosaicing and Denoising? [16.921538543268216]
分解と分解は生画像パイプラインにおいて重要な役割を担っていますほとんどの復号法はノイズフリー画像の復号化に対処する。本当の問題は、ノイズの多い生画像の合成と分解だ。
論文参考訳（メタデータ） (2024-08-13T07:23:53Z)
WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文参考訳（メタデータ） (2024-03-18T11:20:11Z)
Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文参考訳（メタデータ） (2023-11-22T05:44:51Z)
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)
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)
Suppression of Correlated Noise with Similarity-based Unsupervised Deep Learning [7.61850613267116]
Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。 Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
論文参考訳（メタデータ） (2020-11-06T14:31:08Z)
Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-10-22T18:12:26Z)
Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文参考訳（メタデータ） (2020-08-31T16:22:40Z)

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。