論文の概要: Noise2Match: Self-Supervised Low-Dose CT Denoising via Adaptive Inter-Slice Matching

• arxiv url: http://arxiv.org/abs/2610.18379v1
• Date: Tue, 13 Oct 2026 13:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:37:45.837632
• Title: Noise2Match: Self-Supervised Low-Dose CT Denoising via Adaptive Inter-Slice Matching
• Title（参考訳）: Noise2Match:適応型インタースライスマッチングによる自己監督型低線量CT
• Abstract要約: 自己教師型畳み込みニューラルネットワーク法は低線量CT法の性能を大幅に向上させた。 古典的な自己監督型復調法は、画素単位の独立ノイズの仮定に依存する。 本稿では,適応型インタースライスマッチングに基づく自己教師型LDCT復調法であるNoss2Matchを提案する。
• 参考スコア（独自算出の注目度）: 26.40650609484121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of deep learning, supervised convolutional neural network methods have greatly improved the performance of low-dose computed tomography (CT) denoising. However, they require paired noisy-clean training data, which is difficult to obtain in practice. Some classic self-supervised denoising methods rely on the assumption of pixel-wise independent noise, making them ineffective for correlated noise in low-dose CT (LDCT) images. Considering the high similarity and weaker noise correlation between adjacent CT slices, several recently proposed self-supervised methods use adjacent LDCT slices for training. Nevertheless, these approaches fail to effectively account for the non-rigid misalignment between slices caused by anatomical variation, hindering them from satisfying the equal-mean condition required by the classic Noise2Noise framework. In this paper, we propose Noise2Match, a self-supervised LDCT denoising method based on adaptive inter-slice matching. Noise2Match introduces an inter-slice matching network to model the label transition process between adjacent slices, and then applies correction to the denoiser's outputs to better satisfy the equal-mean condition. We theoretically prove that, under idealized conditions, training Noise2Match using adjacent LDCT slices is equivalent to supervised training with paired noisy-clean images. We further find that Noise2Match can also effectively perform low-dose conebeam CT (CBCT) denoising, which could be attributed to its correction operation that reduces inter-slice noise correlation. To the best of our knowledge, Noise2Match is the first effective image-domain self-supervised method for low-dose CBCT. Extensive experiments demonstrate that Noise2Match outperforms existing image-domain selfsupervised methods, offering broader applicability and higher practical value.
• Abstract（参考訳）: ディープラーニングの急速な発展に伴い、教師付き畳み込みニューラルネットワーク手法は低用量CTの性能を大幅に向上させた。 しかし、実際には入手が困難であるペアノイズクリーンなトレーニングデータが必要である。 古典的な自己監督型復調法は、画素単位の独立ノイズの仮定に依存しており、低線量CT(LDCT)画像の相関ノイズに対して効果がない。 隣接したCTスライス間の高類似性および低雑音相関を考慮し,近距離LDCTスライスを訓練に用いる自己教師方式が提案されている。 しかしながら、これらのアプローチは解剖学的変異に起因するスライス間の非厳密な不整合を効果的に説明することができず、古典的なNoss2Noiseフレームワークが要求する等平均条件を満たすことを妨げている。 本稿では,適応型インタースライスマッチングに基づく自己教師型LDCT復調法であるNoss2Matchを提案する。 Noise2Matchは、隣り合うスライス間のラベル遷移プロセスをモデル化するためのスライス間マッチングネットワークを導入し、次いでデノイザーの出力に補正を加えて、同値条件をよりよく満たす。 理論的には、理想的な条件下では、隣接するLDCTスライスを用いてNoss2Matchを訓練することは、ペアノイズクリーン画像による教師あり訓練と等価である。 さらに、ノイズ2Matchは、スライスノイズの相関を小さくする修正操作による、低用量コーンCT(CBCT)デノナイジングを効果的に行うことができることが判明した。 我々の知る限りでは、Noss2Matchは低線量CBCTのための画像ドメイン自己教師法としては初めてのものである。 大規模な実験により、Noss2Matchは既存の画像ドメインの自己管理手法よりも優れており、より広い適用性と高い実用価値を提供する。

関連論文リスト

• Physics-Driven Independent Pair Generation for Iterative Self-Supervised Low-Dose CT Denoising [16.003879627285514]
  低線量CT(LDCT)はポアソン-ガウス混合ノイズを含む。 ほとんどの自己教師付き手法は一般的な画像統計に依存しており、このノイズを明示的にモデル化していない。 自己教師型LDCT復調のためのクロスドメイン繰り返しを用いた物理駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-01T12:18:28Z)
• 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)
• Self-supervised Noise2noise Method Utilizing Corrupted Images with a Modular Network for LDCT Denoising [9.794579903055668]
  ディープラーニングは低線量CT(LDCT)画像復調のための有望な手法である。 従来のディープラーニング手法では、ペア化されたノイズとクリーンなデータセットが必要です。 本稿では,LDCTデータのみを用いてLDCT画像の復調を行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-13T11:26:56Z)
• Self-supervised training of deep denoisers in multi-coil MRI considering noise correlations [15.0693000188301]
  深層学習に基づく denoising 法は,MR画像の信号-雑音比を改善するために強力な結果を示した。 しかし、クリーングラウンドの真実画像の取得は高価で時間を要することが多い。 我々は,Coil2Coilと呼ばれるマルチコイルMRIにおけるディープデノイザの自己教師型トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-16T05:57:24Z)
• 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)
• Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs [7.4103922463838785]
  自己監視型学習型CTデノイジング法を提案する。 低線量CT(LDCT)と正常線量CT(NDCT)のペアからCTノイズを予測できるプリトレーニングCTデノイジングとノイズモデルをトレーニングします。 2016 AAPM Low-Dose CT Grand Challengeデータセットにおいて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2021-04-06T07:11:46Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• 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)
• 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。