Fugu-MT 論文翻訳(概要): A deep network for sinogram and CT image reconstruction

論文の概要: A deep network for sinogram and CT image reconstruction

arxiv url: http://arxiv.org/abs/2001.07150v1
Date: Mon, 20 Jan 2020 15:50:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-08 05:23:35.415003
Title: A deep network for sinogram and CT image reconstruction
Title（参考訳）: シンノグラムとct画像再構成のための深層ネットワーク
Authors: Wei Wang, Xiang-Gen Xia, Chuanjiang He, Zemin Ren, Jian Lu, Tianfu Wang and Baiying Lei
Abstract要約: 本稿では,シングラムとCT画像再構成のためのディープネットワークを設計する。ネットワークは2つのカスケードブロックで構成され、フィルタバックプロジェクション層によってリンクされる。以上の結果より, 再建CT画像のPSNRおよびSSIMは, 術式と比較して高い値を示した。
参考スコア（独自算出の注目度）: 28.175533839713847
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A CT image can be well reconstructed when the sampling rate of the sinogram satisfies the Nyquist criteria and the sampled signal is noise-free. However, in practice, the sinogram is usually contaminated by noise, which degrades the quality of a reconstructed CT image. In this paper, we design a deep network for sinogram and CT image reconstruction. The network consists of two cascaded blocks that are linked by a filter backprojection (FBP) layer, where the former block is responsible for denoising and completing the sinograms while the latter is used to removing the noise and artifacts of the CT images. Experimental results show that the reconstructed CT images by our methods have the highest PSNR and SSIM in average compared to state of the art methods.
Abstract（参考訳）: シングラムのサンプリングレートがNyquist基準を満たし、サンプル信号がノイズフリーである場合に、CT画像を適切に再構成することができる。しかし、実際には、シングラムは通常ノイズによって汚染され、再構成されたCT画像の品質が低下する。本稿では,シンノグラムとct画像再構成のための深層ネットワークを設計する。ネットワークは、フィルタバックプロジェクション(fbp)層によってリンクされる2つのカスケードブロックで構成されており、前者はシンノグラムのデノーズと完了を担当し、後者はct画像のノイズとアーティファクトを除去するために使用される。実験の結果,本手法による再構成ct画像は,平均でpsnrとssimが最も高い値を示した。

関連論文リスト

WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文参考訳（メタデータ） (2024-03-18T11:20:11Z)
Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
論文参考訳（メタデータ） (2024-03-06T08:51:09Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文参考訳（メタデータ） (2023-07-11T14:04:12Z)
Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文参考訳（メタデータ） (2021-12-23T19:20:38Z)
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)
DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction [13.358197688568463]
撮像過程におけるヨウ素の放射線は不可逆的な損傷を引き起こすスパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。 textbfDual-textbfDomain textbfDuDoTransを提案する。
論文参考訳（メタデータ） (2021-11-21T10:41:07Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
Noise Entangled GAN For Low-Dose CT Simulation [32.3869284562502]
高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)。高線量CT画像からクリーンCT画像とノイズ画像を生成するための2つの手法を提案する。 NE-GANは低線量CT画像の異なるレベルをシミュレートするために提案される。
論文参考訳（メタデータ） (2021-02-18T21:04:32Z)
A model-guided deep network for limited-angle computed tomography [28.175533839713847]
まず,CT画像再構成のための変分モデルを提案し,そのモデルをエンドツーエンドのディープネットワークに変換する。本ネットワークは, シングラムとCT画像の両方に対処し, 不完全データによるアーティファクトを同時に抑制することができる。
論文参考訳（メタデータ） (2020-08-10T09:42:32Z)

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。