WEKO3
アイテム
{"_buckets": {"deposit": "c483781f-bf64-4722-a4c1-c02cdd04fae1"}, "_deposit": {"created_by": 1, "id": "84074", "owners": [1], "pid": {"revision_id": 0, "type": "depid", "value": "84074"}, "status": "published"}, "_oai": {"id": "oai:repo.qst.go.jp:00084074", "sets": ["28"]}, "author_link": ["1015485", "1015489", "1015490", "1015487", "1015488", "1015486", "1015484"], "item_10005_date_7": {"attribute_name": "発表年月日", "attribute_value_mlt": [{"subitem_date_issued_datetime": "2021-09-11", "subitem_date_issued_type": "Issued"}]}, "item_10005_description_5": {"attribute_name": "抄録", "attribute_value_mlt": [{"subitem_description": "背景\n近年、深層学習による拡散強調画像のノイズ除去について多く議論されている。しかし、深層学習による画像生成にでは本来あるべき値から乖離してしまうリスクを除外することができない問題がある。そこで、我々は各ピクセルの値を隣接ピクセルの値の範囲に制限するニューラルネットワークを開発し、この問題の解決を試みた。本研究では提案手法により効果的なノイズ軽減を行えるかどうかについて初期的検討を行った。\n\n方法 \n10人の健常者を対象に拡散強調画像を取得した. \n加算を行わない画像(NEX1)を入力し、8回加算画像(NEX8)相当の画像を出力することを目標にニューラルネットワークの設計と学習を行った。\n生成される各ピクセルの値は、元の画像における自身と隣接ピクセルの範囲を取る。また、学習を効率よく行うため、生成画像と標的画像との差に加えて、生成画像、標的画像から計算される拡散テンソルの差も最小化すべき損失とした。\n学習とテストはLeave-one-out cross validationにより行い、提案法によるノイズ除去画像を得た。最適化はAdamを初期学習率0.0001で用いた。\n・画像処理\nNEX1,NEX8,NEX1に対して私たちの手法でノイズ低減を行ったもの(deep learning Noise Reduction :dNR)それぞれの画像に対してDiffusion tensor imaging(DTI),Neurite orientation dispersion and density imaging(NODDI)を生成した。\nROI解析\nピクセル間の差異をNEX8と比較し、JHU ICBM-DTI-81 label を用いた ROIごとに平均され、Wilcoxonの符号順位検定を用いて比較を行った。\n\n結果\n図1にNEX1,dNR、NEX8から計算されたisotropic DWI,FA,MDの画像を示す。isotropic DWI,FA,MDにおいてdNRはNEX1と比較してノイズが低減されていることが確認できる。特に深部の領域についてノイズ低減が大きくNEX8の画像に近づいていることが確認できる。\n\n考察\n図1より効果的にデノイズされていることが視覚的に確認できた。\n各mapにおける平均値の多くがNEX1よりもNEX8に近づいた値となったため効果的にデノイズが行われたといえる。\n\n結論\n今回使用されたdNRは値を制限しながらもノイズを効果的に低減させていることが分かった。\n", "subitem_description_type": "Abstract"}]}, "item_10005_description_6": {"attribute_name": "会議概要(会議名, 開催地, 会期, 主催者等)", "attribute_value_mlt": [{"subitem_description": "第49回 日本磁気共鳴医学会大会", "subitem_description_type": "Other"}]}, "item_access_right": {"attribute_name": "アクセス権", "attribute_value_mlt": [{"subitem_access_right": "metadata only access", "subitem_access_right_uri": "http://purl.org/coar/access_right/c_14cb"}]}, "item_creator": {"attribute_name": "著者", "attribute_type": "creator", "attribute_value_mlt": [{"creatorNames": [{"creatorName": "Nozaki, Hayato"}], "nameIdentifiers": [{"nameIdentifier": "1015484", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Tachibana, Yasuhiko"}], "nameIdentifiers": [{"nameIdentifier": "1015485", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Otsuka, Yujiro"}], "nameIdentifiers": [{"nameIdentifier": "1015486", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Uchida, Wataru"}], "nameIdentifiers": [{"nameIdentifier": "1015487", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Saito, Yuya"}], "nameIdentifiers": [{"nameIdentifier": "1015488", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Kamagata, Koji"}], "nameIdentifiers": [{"nameIdentifier": "1015489", "nameIdentifierScheme": "WEKO"}]}, {"creatorNames": [{"creatorName": "Yasuhiko, Tachibana", "creatorNameLang": "en"}], "nameIdentifiers": [{"nameIdentifier": "1015490", "nameIdentifierScheme": "WEKO"}]}]}, "item_language": {"attribute_name": "言語", "attribute_value_mlt": [{"subitem_language": "jpn"}]}, "item_resource_type": {"attribute_name": "資源タイプ", "attribute_value_mlt": [{"resourcetype": "conference object", "resourceuri": "http://purl.org/coar/resource_type/c_c94f"}]}, "item_title": "instabilityを除いた深層学習によるノイズ低減法の評価", "item_titles": {"attribute_name": "タイトル", "attribute_value_mlt": [{"subitem_title": "instabilityを除いた深層学習によるノイズ低減法の評価"}]}, "item_type_id": "10005", "owner": "1", "path": ["28"], "permalink_uri": "https://repo.qst.go.jp/records/84074", "pubdate": {"attribute_name": "公開日", "attribute_value": "2021-12-08"}, "publish_date": "2021-12-08", "publish_status": "0", "recid": "84074", "relation": {}, "relation_version_is_last": true, "title": ["instabilityを除いた深層学習によるノイズ低減法の評価"], "weko_shared_id": -1}
instabilityを除いた深層学習によるノイズ低減法の評価
https://repo.qst.go.jp/records/84074
https://repo.qst.go.jp/records/84074d9fae3ee-3395-4189-bdd1-0632325f3d11
Item type | 会議発表用資料 / Presentation(1) | |||||
---|---|---|---|---|---|---|
公開日 | 2021-12-08 | |||||
タイトル | ||||||
タイトル | instabilityを除いた深層学習によるノイズ低減法の評価 | |||||
言語 | ||||||
言語 | jpn | |||||
資源タイプ | ||||||
資源タイプ識別子 | http://purl.org/coar/resource_type/c_c94f | |||||
資源タイプ | conference object | |||||
アクセス権 | ||||||
アクセス権 | metadata only access | |||||
アクセス権URI | http://purl.org/coar/access_right/c_14cb | |||||
著者 |
Nozaki, Hayato
× Nozaki, Hayato× Tachibana, Yasuhiko× Otsuka, Yujiro× Uchida, Wataru× Saito, Yuya× Kamagata, Koji× Yasuhiko, Tachibana |
|||||
抄録 | ||||||
内容記述タイプ | Abstract | |||||
内容記述 | 背景 近年、深層学習による拡散強調画像のノイズ除去について多く議論されている。しかし、深層学習による画像生成にでは本来あるべき値から乖離してしまうリスクを除外することができない問題がある。そこで、我々は各ピクセルの値を隣接ピクセルの値の範囲に制限するニューラルネットワークを開発し、この問題の解決を試みた。本研究では提案手法により効果的なノイズ軽減を行えるかどうかについて初期的検討を行った。 方法 10人の健常者を対象に拡散強調画像を取得した. 加算を行わない画像(NEX1)を入力し、8回加算画像(NEX8)相当の画像を出力することを目標にニューラルネットワークの設計と学習を行った。 生成される各ピクセルの値は、元の画像における自身と隣接ピクセルの範囲を取る。また、学習を効率よく行うため、生成画像と標的画像との差に加えて、生成画像、標的画像から計算される拡散テンソルの差も最小化すべき損失とした。 学習とテストはLeave-one-out cross validationにより行い、提案法によるノイズ除去画像を得た。最適化はAdamを初期学習率0.0001で用いた。 ・画像処理 NEX1,NEX8,NEX1に対して私たちの手法でノイズ低減を行ったもの(deep learning Noise Reduction :dNR)それぞれの画像に対してDiffusion tensor imaging(DTI),Neurite orientation dispersion and density imaging(NODDI)を生成した。 ROI解析 ピクセル間の差異をNEX8と比較し、JHU ICBM-DTI-81 label を用いた ROIごとに平均され、Wilcoxonの符号順位検定を用いて比較を行った。 結果 図1にNEX1,dNR、NEX8から計算されたisotropic DWI,FA,MDの画像を示す。isotropic DWI,FA,MDにおいてdNRはNEX1と比較してノイズが低減されていることが確認できる。特に深部の領域についてノイズ低減が大きくNEX8の画像に近づいていることが確認できる。 考察 図1より効果的にデノイズされていることが視覚的に確認できた。 各mapにおける平均値の多くがNEX1よりもNEX8に近づいた値となったため効果的にデノイズが行われたといえる。 結論 今回使用されたdNRは値を制限しながらもノイズを効果的に低減させていることが分かった。 |
|||||
会議概要(会議名, 開催地, 会期, 主催者等) | ||||||
内容記述タイプ | Other | |||||
内容記述 | 第49回 日本磁気共鳴医学会大会 | |||||
発表年月日 | ||||||
日付 | 2021-09-11 | |||||
日付タイプ | Issued |