論文の概要: Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography

• arxiv url: http://arxiv.org/abs/2001.00340v3
• Date: Sun, 19 Jul 2020 14:31:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 04:41:59.585313
• Title: Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography
• Title（参考訳）: トモグラフィーにおける金属人工物低減のための金属マスクの符号化
• Authors: Yuanyuan Lyu, Wei-An Lin, Haofu Liao, Jingjing Lu, S. Kevin Zhou
• Abstract要約: CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。 そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。 我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
• 参考スコア（独自算出の注目度）: 21.5885187197634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal artifact reduction (MAR) in computed tomography (CT) is a notoriously challenging task because the artifacts are structured and non-local in the image domain. However, they are inherently local in the sinogram domain. Thus, one possible approach to MAR is to exploit the latter characteristic by learning to reduce artifacts in the sinogram. However, if we directly treat the metal-affected regions in sinogram as missing and replace them with the surrogate data generated by a neural network, the artifact-reduced CT images tend to be over-smoothed and distorted since fine-grained details within the metal-affected regions are completely ignored. In this work, we provide analytical investigation to the issue and propose to address the problem by (1) retaining the metal-affected regions in sinogram and (2) replacing the binarized metal trace with the metal mask projection such that the geometry information of metal implants is encoded. Extensive experiments on simulated datasets and expert evaluations on clinical images demonstrate that our novel network yields anatomically more precise artifact-reduced images than the state-of-the-art approaches, especially when metallic objects are large.
• Abstract（参考訳）: CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物の構造と非局所性のため、非常に難しい課題である。 しかし、それらは本質的にシンノグラムドメイン内に存在する。 したがって、marへの1つの可能なアプローチは、シノグラムのアーティファクトを減らすために学習することで後者の特徴を利用することである。 しかし, シングラム中の金属汚染領域を直接処理し, ニューラルネットワークが生成する代理データに置き換える場合, 人工的に生成したCT画像は, 金属影響領域内の微細な詳細が完全に無視されるため, 過度に滑らかになり歪む傾向にある。 そこで本研究では,(1)シンノグラム中の金属損傷領域を保持,(2)金属インプラントの形状情報をエンコードする2値化金属トレースを金属マスク投影に置き換えることで,この問題に対する分析的考察を行い,この問題に対処することを提案する。 シミュレーションデータセットの広範囲な実験と臨床画像のエキスパート評価により,新しいネットワークは最先端の手法よりも解剖学的に正確なアーティファクト縮小画像を生成することが示された。

関連論文リスト

• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
  金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。 歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。 P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
  論文  参考訳（メタデータ） (2023-11-16T06:02:03Z)
• Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
  人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。 私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2023-06-27T04:50:58Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Metal artifact correction in cone beam computed tomography using synthetic X-ray data [0.0]
  解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。 1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。 比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
  論文  参考訳（メタデータ） (2022-08-17T13:31:38Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Metal Artifact Reduction in 2D CT Images with Self-supervised Cross-domain Learning [30.977044473457]
  金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。 我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。 次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
  論文  参考訳（メタデータ） (2021-09-28T04:40:57Z)
• DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction [15.225899631788973]
  金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。 CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。 MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-02-16T08:09:16Z)
• Deep Sinogram Completion with Image Prior for Metal Artifact Reduction in CT Images [29.019325663195627]
  CTは, 診断, 評価, 治療計画, 指導に広く用いられている。 CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。 本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-16T04:43:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。