Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

01.06.2017 | Ausgabe 2/2019

The Journal of Supercomputing 2/2019

Medical image denoising using convolutional neural network: a residual learning approach

Zeitschrift:
The Journal of Supercomputing > Ausgabe 2/2019
Autoren:
Worku Jifara, Feng Jiang, Seungmin Rho, Maowei Cheng, Shaohui Liu

Abstract

In medical imaging, denoising is very important for analysis of images, diagnosis and treatment of diseases. Currently, image denoising methods based on deep learning are effective, where the methods are however limited for the requirement of training sample size (i.e., not successful enough for small data size). Using small sample size, we design deep feed forward denoising convolutional neural networks by studying the model in deep framework, learning approach and regularization approach for medical image denoising. More specifically, we use residual learning as a learning approach and batch normalization as regularization in the deep model. Unlike most of the other image denoising approaches which directly learn the latent clean images, the residual learning approach learns the noise from the noisy images instead of the latent clean images where the denoised images are obtained by subtracting the learned residual from the noisy image. Moreover, batch normalization is integrated with residual learning to improve model learning accuracy and training time. We compute the quality of the reconstructed or denoised image in standard image quality metrics, peak signal to noise ratio and structural similarity and compare our model performance with some medical image denoising techniques. Experimental results reveal that our approach has better performance than some other methods.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 2/2019

The Journal of Supercomputing 2/2019 Zur Ausgabe

Premium Partner

    Bildnachweise