論文の概要: Denoise X: Self-Supervised U-Net for Quantum Mottle Suppression in Chest Radiography

• arxiv url: http://arxiv.org/abs/2610.18556v1
• Date: Tue, 13 Oct 2026 15:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:45:53.598294
• Title: Denoise X: Self-Supervised U-Net for Quantum Mottle Suppression in Chest Radiography
• Title（参考訳）: Denoise X: 胸部X線撮影における量子モトル抑制のための自己教師付きU-Net
• Abstract要約: Denoise Xは、量子モトルと電子リードアウトノイズを抑制するための軽量な自己教師付きU-Netモデルである。 NIH ChestX-ray14データセット(112,120イメージ)で、Poisson-Gaussianノイズシミュレータを用いてトレーニングされている。 ネイティブ解像度の胸部ラジオグラフをTesla P100 GPU上で1枚当たり2.2秒で処理する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning for medical image restoration is often constrained by the need for paired training data. Acquiring perfectly registered clean-noisy radiographs in vivo is impractical due to patient motion and radiation-dose limits. To address this, we employ a self-supervised Noise2Noise paradigm that trains on independently corrupted observations without paired clean images. We propose Denoise X, a lightweight self-supervised U-Net model (7.79M parameters) for suppressing quantum mottle and electronic readout noise in low-dose chest radiographs. It is trained on the NIH ChestX-ray14 dataset (112,120 images) using a stochastic Poisson-Gaussian noise simulator. Zero-shot evaluation on the unseen Montgomery County dataset achieved a PSNR of 36.09 dB and SSIM of 0.8806, outperforming the Bilateral filter while preserving high-frequency anatomical details. Using patch-wise inference, Denoise X processes native-resolution chest radiographs in ~2.2 s per image on a Tesla P100 GPU. Cross-domain evaluation on the Shenzhen dataset achieved 36.44 dB PSNR and 0.9099 SSIM, showing strong generalization. For resource-constrained deployment, the model was converted into a 31.16 MB ONNX model for efficient CPU inference on non-DICOM images.
• Abstract（参考訳）: 医用画像復元のための深層学習は、ペアトレーニングデータの必要性によって制約されることが多い。 完全に登録されたクリーンノイズラジオグラフィーをin vivoで取得することは、患者の動きと放射線線量制限のために現実的ではない。 これを解決するために、ペアのクリーンなイメージを使わずに独立して劣化した観測を訓練する自己教師型Noss2Noiseパラダイムを用いる。 低線量胸部ラジオグラフィにおける量子モトルと電子的読み出しノイズを抑制するための軽量な自己教師型U-Netモデル(7.79Mパラメータ)であるDenoise Xを提案する。 NIH ChestX-ray14データセット(112,120イメージ)で、確率的ポアソン・ガウス雑音シミュレータを用いてトレーニングされている。 モンゴメリー郡のデータセットのゼロショット評価は、PSNRが36.09dB、SSIMが0.8806で、高周波解剖学的詳細を保存しながらバイラテラルフィルタを上回った。 パッチワイズ推論を用いて、Denoise XはTesla P100 GPU上で、1画像あたり2.2秒のネイティブ解像度の胸部X線写真を処理する。 深センデータセットのクロスドメイン評価は36.44dBのPSNRと0.9099のSSIMを達成し、強力な一般化を示した。 リソース制約のあるデプロイメントでは、モデルは31.16MBのONNXモデルに変換され、非DICOMイメージ上の効率的なCPU推論が可能となった。

関連論文リスト

• RIQE: a NIQE-style reference model for Computed Tomography [0.0]
  公共LDCTおよびプロジェクションデータ収集患者158例のフルドーズスライス3,792枚にNIQE型モデルを装着した。 40例において,RIQEは,240例中240例,240例中230例において,同スライスの全量再建よりも低用量再建率を示した。
  論文  参考訳（メタデータ） (2026-09-30T09:35:04Z)
• SharpXR: Structure-Aware Denoising for Pediatric Chest X-Rays [34.173566188833156]
  SharpXR(シャープXR)は、低用量X線をノイズ化するために設計された構造対応のデュアルデコーダU-Netである。 小児肺炎チェストX線データセットにおける現実的なポアソン・ガウスノイズをシミュレートする。 SharpXRは、すべての評価指標で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-11T23:07:20Z)
• 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)
• Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
  我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。 実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
  論文  参考訳（メタデータ） (2024-03-07T00:12:08Z)
• A Lightweight, Rapid and Efficient Deep Convolutional Network for Chest X-Ray Tuberculosis Detection [0.0]
  結核(TB)はいまだに世界中の死因の1つとして認識されている。 近年, 深層学習(DL)の進歩により, 胸部X線像の正確な解釈能力が向上し, 誤りも少なくなった。 我々は、CXR画像からTBを検出するために特別にカスタマイズされた、軽量で高速で効率的な深層畳み込みネットワークであるLightTBNetを提案する。
  論文  参考訳（メタデータ） (2023-09-05T11:30:38Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Assessing Robustness to Noise: Low-Cost Head CT Triage [6.914268150661423]
  我々は頭部CTをトリアージするモデルを開発し、受信機動作特性曲線(AUROC)の0.77の範囲を報告する。 AUROCは、管電流を16倍減らした画像に対してわずか0.65%、投射を8倍減らした画像に対して0.22%減少する。
  論文  参考訳（メタデータ） (2020-03-17T22:49:37Z)

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。