Notice bibliographique
Résumé
Radiology is a critical tool for physicians when treating many health complications. X-ray computed tomography (X-ray CT) is particularly useful in highlighting lesions and damaged tissue in the body. The adoption of X-ray tomography is seeing significant growth as the technology improves and radiologists are finding it increasingly useful. A significant drawback of X-ray CT is the associated radiation exposure which is harmful to the body. If the radiation dose is decreased in the acquisition protocol, the images become degraded and no longer useful for radiologists. Current methods for reducing radiation risk include guidelines on acceptable exposure, and very recently reconstruction techniques which aim to denoise images acquired at low radiation dose. However, image post-processing techniques are preferred because they are scanner independent, and don’t require the denoising algorithm to have access to the raw scanner data which is often not made available by manufacturers. With advances in deep-learning via convolutional neural networks, several methods have been proposed to denoise low dose CT images in order to predict the normal dose image. In this work, existing methods are improved on with the addition of our contributions. We propose a training regime using a cascade of neural networks the first of which uses a perceptual loss, and the second which performs a residue prediction using mean-squared-error. Secondly, we propose a new loss function which incorporates perceptual loss, structural dissimilarity and mean-squared-error. We show that both proposed methods result in significant improvement when compared to the related works. As a secondary contribution, this work recommends several design considerations for building deep learning networks for image denoising. We show results from extensive empirical study to support our recommendations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».