ترجمه فارسی مقاله حذف نویز آموخته شده با داده های CT با دوز پایین شبیه سازی شده و تجربی

چکیده

Like in many other research fields, recent developments in computational imaging have focused on developing machine learning (ML) approaches to tackle its main challenges. To improve the performance of computational imaging algorithms, machine learning methods are used for image processing tasks such as noise reduction. Generally, these ML methods heavily rely on the availability of high-quality data on which they are trained. This work explores the application of ML methods, specifically convolutional neural networks (CNNs), in the context of noise reduction for computed tomography (CT) imaging. We utilize a large 2D computed tomography dataset for machine learning to carry out for the first time a comprehensive study on the differences between the observed performances of algorithms trained on simulated noisy data and on real-world experimental noisy data. The study compares the performance of two common CNN architectures, U-Net and MSD-Net, that are trained and evaluated on both simulated and experimental noisy data. The results show that while sinogram denoising performed better with simulated noisy data if evaluated in the sinogram domain, the performance did not carry over to the reconstruction domain where training on experimental noisy data shows a higher performance in denoising experimental noisy data. Training the algorithms in an end-to-end fashion from sinogram to reconstruction significantly improved model performance, emphasizing the importance of matching raw measurement data to high-quality CT reconstructions. The study furthermore suggests the need for more sophisticated noise simulation approaches to bridge the gap between simulated and real-world data in CT image denoising applications and gives insights into the challenges and opportunities in leveraging simulated data for machine learning in computational imaging.

چکیده به فارسی (ترجمه ماشینی)

مانند بسیاری از زمینه های تحقیقاتی دیگر ، تحولات اخیر در تصویربرداری محاسباتی بر رویکردهای یادگیری ماشین (ML) برای مقابله با چالش های اصلی آن متمرکز شده است.برای بهبود عملکرد الگوریتم های تصویربرداری محاسباتی ، از روشهای یادگیری ماشین برای کارهای پردازش تصویر مانند کاهش نویز استفاده می شود.به طور کلی ، این روش های ML به شدت به در دسترس بودن داده های با کیفیت بالا که در آنها آموزش دیده اند ، متکی هستند.این کار به بررسی کاربرد روشهای ML ، به طور خاص شبکه های عصبی حلقوی (CNN) ، در زمینه کاهش نویز برای توموگرافی محاسبه شده (CT) می پردازد.ما از یک مجموعه داده بزرگ توموگرافی کامپیوتری 2D برای یادگیری ماشین استفاده می کنیم تا برای اولین بار یک مطالعه جامع در مورد تفاوت بین عملکردهای مشاهده شده الگوریتم های آموزش داده شده بر روی داده های پر سر و صدا شبیه سازی شده و در مورد داده های پر سر و صدا در دنیای واقعی انجام شود.این مطالعه عملکرد دو معماری مشترک CNN ، U-NET و MSD-NET را مقایسه می کند ، که در هر دو داده پر سر و صدا شبیه سازی شده و آزمایشی آموزش داده و ارزیابی می شوند.نتایج نشان می دهد که در حالی که Sinogram Denoising با داده های پر سر و صدا شبیه سازی شده در صورت ارزیابی در حوزه Sinogram ، عملکرد را به حوزه بازسازی منتقل نمی کند که در آن آموزش روی داده های پر سر و صدا تجربی عملکرد بالاتری را در استفاده از داده های پر سر و صدا آزمایشی نشان می دهد.آموزش الگوریتم ها به صورت پایان به پایان از سینوگرام تا بازسازی عملکرد مدل را به طور قابل توجهی بهبود بخشید ، با تأکید بر اهمیت تطبیق داده های اندازه گیری خام با بازسازی CT با کیفیت بالا.علاوه بر این ، این مطالعه نیاز به رویکردهای پیچیده تر شبیه سازی نویز برای ایجاد شکاف بین داده های شبیه سازی شده و دنیای واقعی در برنامه های Denoising Image CT را نشان می دهد و در مورد چالش ها و فرصت ها در اعمال استفاده از داده های شبیه سازی شده برای یادگیری ماشین در تصویربرداری محاسباتی ، بینش می دهد.