Diffusion Denoising for Low-Dose-CT Model

要約

低線量コンピュータ断層撮影（LDCT）再構成は、医療画像解析の重要なタスクである。近年、この分野で有効であることが証明された、多くのディープラーニングベースの手法が見られます。しかし、これらの方法は、ほとんどが教師ありアーキテクチャに従っており、フル線量と1/4線量のペアCT画像が必要であり、解決策は特定の測定値に大きく依存するものである。本研究では、条件付きサンプリングを用いてノイズのないCT画像を生成するDenoising Diffusion LDCT Model（DDLMと呼ぶ）を紹介する。DDLMは事前に学習されたモデルを用いるため、学習やチューニングの過程が不要であり、教師なし方式での提案である。LDCT画像を用いた実験では、より少ない推論時間でDDLMと同等の性能を発揮し、他の最先端手法を凌駕する精度と効率性を示しました。実装コードは近日公開予定です。

要約(オリジナル)

Low-dose Computed Tomography (LDCT) reconstruction is an important task in medical image analysis. Recent years have seen many deep learning based methods, proved to be effective in this area. However, these methods mostly follow a supervised architecture, which needs paired CT image of full dose and quarter dose, and the solution is highly dependent on specific measurements. In this work, we introduce Denoising Diffusion LDCT Model, dubbed as DDLM, generating noise-free CT image using conditioned sampling. DDLM uses pretrained model, and need no training nor tuning process, thus our proposal is in unsupervised manner. Experiments on LDCT images have shown comparable performance of DDLM using less inference time, surpassing other state-of-the-art methods, proving both accurate and efficient. Implementation code will be set to public soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL