論文の概要: Momentum-Net for Low-Dose CT Image Reconstruction
- arxiv url: http://arxiv.org/abs/2002.12018v4
- Date: Wed, 9 Sep 2020 02:02:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:32:21.289573
- Title: Momentum-Net for Low-Dose CT Image Reconstruction
- Title(参考訳): 低線量CT画像再構成のためのMomentum-Net
- Authors: Siqi Ye, Yong Long, Il Yong Chun
- Abstract要約: 本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。
提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。
また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
- 参考スコア(独自算出の注目度): 13.084578404699172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper applies the recent fast iterative neural network framework,
Momentum-Net, using appropriate models to low-dose X-ray computed tomography
(LDCT) image reconstruction. At each layer of the proposed Momentum-Net, the
model-based image reconstruction module solves the majorized penalized weighted
least-square problem, and the image refining module uses a four-layer
convolutional neural network (CNN). Experimental results with the NIH AAPM-Mayo
Clinic Low Dose CT Grand Challenge dataset show that the proposed Momentum-Net
architecture significantly improves image reconstruction accuracy, compared to
a state-of-the-art noniterative image denoising deep neural network (NN),
WavResNet (in LDCT). We also investigated the spectral normalization technique
that applies to image refining NN learning to satisfy the nonexpansive NN
property; however, experimental results show that this does not improve the
image reconstruction performance of Momentum-Net.
- Abstract(参考訳): 本稿では,最近の高速反復型ニューラルネットワークフレームワークmomentum-netを低線量x線ct(ldct)画像再構成に適切なモデルを用いて適用する。
提案するモーメントネットの各層において、モデルベース画像再構成モジュールは重み付き重み付き最小二乗問題を解くとともに、画像精錬モジュールは4層畳み込みニューラルネットワーク(cnn)を使用する。
NIH AAPM-Mayo Clinical Low Dose CT Grand Challengeデータセットによる実験結果から、提案したMomentum-Netアーキテクチャは、最先端のディープニューラルネットワーク(NN)であるWavResNet(LDCT)と比較して、画像再構成の精度を著しく向上することが示された。
また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討したが,実験結果からMomentum-Netの画像再構成性能は向上しなかった。
関連論文リスト
- Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。
2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。
ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
論文 参考訳(メタデータ) (2024-07-11T13:46:47Z) - Application of Spherical Convolutional Neural Networks to Image Reconstruction and Denoising in Nuclear Medicine [0.31923933006157473]
等変ニューラルネットワークは、核医学における画像再構成と復調のための効率的かつ高性能なフレームワークである。
2次元および3次元の医療画像問題に対する同変球状CNNの実装と評価を行った。
画像再構成とデノナイジングベンチマークの両問題において,SCNNの品質と計算効率は優れていた。
論文 参考訳(メタデータ) (2023-07-06T21:18:47Z) - 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) - 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) - 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) - An Improved Iterative Neural Network for High-Quality Image-Domain
Material Decomposition in Dual-Energy CT [16.84451472788859]
高エネルギー・低エネルギー減衰画像から直接物質像を分解する。
高品質な材料画像を得るための様々なデータ駆動手法が提案されている。
反復ニューラルネットワーク(NN)は回帰NNとモデルベース画像再構成を組み合わせた手法である。
論文 参考訳(メタデータ) (2020-12-02T16:27:38Z) - EDCNN: Edge enhancement-based Densely Connected Network with Compound
Loss for Low-Dose CT Denoising [27.86840312836051]
We propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN)。
我々は、抽出したエッジ情報を融合し、エンドツーエンドの画像デノーミングを実現するために、密接な接続を持つモデルを構築した。
提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズの抑制に優れた性能を有する。
論文 参考訳(メタデータ) (2020-10-30T23:12:09Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳(メタデータ) (2020-07-03T14:33:28Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - Geometric Approaches to Increase the Expressivity of Deep Neural
Networks for MR Reconstruction [41.62169556793355]
高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。
ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。
本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
論文 参考訳(メタデータ) (2020-03-17T14:18:37Z)
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。