論文の概要: A BEMD-Based Quaternion Filtering Approach Sharp-to-Soft Kernel CT Image Conversion
- arxiv url: http://arxiv.org/abs/2610.07071v1
- Date: Mon, 05 Oct 2026 08:52:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.540657
- Title: A BEMD-Based Quaternion Filtering Approach Sharp-to-Soft Kernel CT Image Conversion
- Title（参考訳）: BEMDに基づく四元フィルタによるシャープ・ツー・ソフトカーネルCT画像変換
- Abstract要約: コンピュータ断層撮影(CT)画像の品質は,再構成カーネルの選択によって大きく影響を受ける。
本研究では, 二次元経験的モード分解を利用した革新的拡張フレームワークを提案する。
この技術は、各画像をBEMDを介して固有モード関数に分解し、結合性四元数フレームワーク内で解析することで、効率的なノイズ低減と構造的整合性を実現する。
- 参考スコア（独自算出の注目度）: 1.537026414453835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quality of computed tomography (CT) images is significantly affected by the selection of reconstruction kernels: sharp kernels improve spatial resolution but increase noise, whereas soft kernels diminish noise at the expense of edge clarity. This study presents an innovative enhancement framework utilising Bidimensional Empirical Mode Decomposition in conjunction with Quaternion Bilateral Filtering (BEMD--QBF) to convert sharp-kernel CT images into representations resembling soft-kernels, while maintaining critical anatomical structures. The technique disaggregates each image into intrinsic mode functions via BEMD and analyzes them inside a cohesive quaternion framework to attain efficient noise reduction and structural integrity. The proposed methodology is evaluated using several reconstruction kernels (B50, B46, B41, B36, B35, B31) and compared with recognised filtering strategies, including Non-Local Means, Anisotropic Diffusion, Bilateral Filtering, and Quaternion Bilateral Filtering. Quantitative evaluations of the Structural Similarity Index (SSIM) and Peak Signal-to-Noise Ratio (PSNR) indicate that BEMD-QBF consistently attains superior structural fidelity and competitive noise reduction across all evaluated kernels. The results underscore the efficacy of the proposed strategy as a viable approach to enhancing post-reconstruction CT images, yielding superior image quality without requiring access to raw projection data.
- Abstract（参考訳）: シャープカーネルは空間分解能を向上するがノイズを増大させる一方、ソフトカーネルはエッジの明瞭さを犠牲にしてノイズを減少させる。
本研究では,第4次バイラテラルフィルタ(BEMD-QBF)と併用した2次元経験モード分解を利用した革新的拡張フレームワークを提案する。
この技術は、各画像をBEMDを介して固有モード関数に分解し、結合性四元数フレームワーク内で解析することで、効率的なノイズ低減と構造的整合性を実現する。
提案手法は,複数の再構成カーネル (B50, B46, B41, B36, B35, B31) を用いて評価し, 非局所平均, 異方性拡散, バイラテラルフィルタ, 四次バイラテラルフィルタなどのフィルタ手法と比較した。
構造類似度指数 (SSIM) とピーク信号対雑音比 (PSNR) の定量的評価は、BEMD-QBFが全ての評価されたカーネルで優れた構造忠実性と競合雑音の低減を確実に達成できることを示している。
その結果, 提案手法の有効性を, 生の投影データへのアクセスを必要とせず, 画像の良質化を図り, 再構成後CT画像の高精細化に向けた有効なアプローチとして評価した。
関連論文リスト
- Decomposition-Guided Curvelet Thresholding for Sharp-to-Soft CT Kernel Conversion [1.537026414453835]
本研究は,いくつかの分解技術を組み合わせたハイブリッド・デノナイジング・フレームワークを提案する。
各分解モードはソフトしきい値とハードしきい値の両方を処理し、復調モードを組み合わせて最終画像を再構築する。
VMDは、最高ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)を一貫して達成する。
提案手法は参照基準と非参照基準の両方において従来の手法を超越する。
論文 参考訳（メタデータ） (2026-10-05T08:25:34Z) - Neighbor2Inverse: Self-Supervised Denoising for Low-Dose Region-of-Interest Phase Contrast CT [3.292132675169194]
改良された畳み込みニューラルネットベースのデノゲーションは、画質を回復するが、ペア化された低量データセットと高用量データセットに依存する。
臨床CTに一般化した低用量PBI-CTのための自己教師型 denoising framework である Neighbor2Inverse を紹介する。
論文 参考訳（メタデータ） (2026-05-01T20:17:33Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - SDPA++: A General Framework for Self-Supervised Denoising with Patch Aggregation [1.1123754733827187]
SDPA++: Patch Aggregationを用いたセルフスーパーバイズ・デノーミングのための汎用フレームワークを提案する。
提案手法は, 自己融合と自己教師型復調により, 初めて擬似地下構造画像を生成することで, ノイズの多いOCT画像のみを活用する。
Contrast-to-Noise Ratio(CNR)、Mean Square Ratio(MSR)、Texture Preservation(TP)、Edge Preservation(EP)といったメトリクスを通じて、IEEE Video and Image Processing Cupの実際のデータセットのパフォーマンス改善を検証する。
論文 参考訳（メタデータ） (2025-10-19T04:05:34Z) - Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。
Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
論文 参考訳（メタデータ） (2025-07-24T01:00:06Z) - Sub2Full: split spectrum to boost OCT despeckling without clean data [0.0]
クリーンデータのないOCT復号化のための,Sub2Full (S2F) と呼ばれる革新的な自己管理戦略を提案する。
このアプローチは、2つの繰り返しBスキャンを取得し、第1の繰り返しのスペクトルを低解像度の入力として分割し、第2の繰り返しのスペクトルを高解像度のターゲットとして利用する。
提案手法は,外網膜のサブラミナー構造を可視化するvis-OCT網膜画像で検証し,従来のノイズ2ノイズやノイズ2Voidよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-01-18T16:59:04Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - 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) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction
Network [10.09577595969254]
CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。
本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。
提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
論文 参考訳（メタデータ） (2021-05-31T07:42:21Z)
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。