Zero-shot Bias Correction: Efficient MR Image Inhomogeneity Reduction Without Any Data

要約

近年、画像の不均一性を軽減するためのディープ ニューラル ネットワークが有望な結果を示しています。
ただし、教師なし (非) ソリューションを使用する現在の方法では、トレーニング データセットを準備する必要があり、データ収集に費用と労力がかかります。
この研究では、事前トレーニングのためのデータとバイアス場の専用の仮定を必要としない、新しいゼロショット ディープ ニューラル ネットワークを実証します。
設計された軽量 CNN により、バイアス破損画像補正のための効率的なゼロショット適応が可能になります。
私たちの方法は、均質性の反復改良として偏った破損画像を軽減する新しいソリューションを提供するため、ゼロショット最適化の安定した収束によって考慮された問題をより簡単に解決できるようになります。
さまざまなデータセットでの広範な比較により、提案された方法が効率と精度の両方で現在のデータフリーの N4 方法よりも優れたパフォーマンスを発揮することが示されています。

要約(オリジナル)

In recent years, deep neural networks for image inhomogeneity reduction have shown promising results. However, current methods with (un)supervised solutions require preparing a training dataset, which is expensive and laborious for data collection. In this work, we demonstrate a novel zero-shot deep neural networks, which requires no data for pre-training and dedicated assumption of the bias field. The designed light-weight CNN enables an efficient zero-shot adaptation for bias-corrupted image correction. Our method provides a novel solution to mitigate the biased corrupted image as iterative homogeneity refinement, which therefore ensures the considered issue can be solved easier with stable convergence of zero-shot optimization. Extensive comparison on different datasets show that the proposed method performs better than current data-free N4 methods in both efficiency and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google