論文の概要: Learned Spectral Computed Tomography
- arxiv url: http://arxiv.org/abs/2003.04138v1
- Date: Mon, 9 Mar 2020 13:39:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 07:48:32.496804
- Title: Learned Spectral Computed Tomography
- Title（参考訳）: Learned Spectral Computed Tomography
- Authors: Dimitris Kamilis, Mario Blatter, Nick Polydorides
- Abstract要約: スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral Photon-Counting Computed Tomography (SPCCT) is a promising
technology that has shown a number of advantages over conventional X-ray
Computed Tomography (CT) in the form of material separation, artefact removal
and enhanced image quality. However, due to the increased complexity and
non-linearity of the SPCCT governing equations, model-based reconstruction
algorithms typically require handcrafted regularisation terms and meticulous
tuning of hyperparameters making them impractical to calibrate in variable
conditions. Additionally, they typically incur high computational costs and in
cases of limited-angle data, their imaging capability deteriorates
significantly. Recently, Deep Learning has proven to provide state-of-the-art
reconstruction performance in medical imaging applications while circumventing
most of these challenges. Inspired by these advances, we propose a Deep
Learning imaging method for SPCCT that exploits the expressive power of Neural
Networks while also incorporating model knowledge. The method takes the form of
a two-step learned primal-dual algorithm that is trained using case-specific
data. The proposed approach is characterised by fast reconstruction capability
and high imaging performance, even in limited-data cases, while avoiding the
hand-tuning that is required by other optimisation approaches. We demonstrate
the performance of the method in terms of reconstructed images and quality
metrics via numerical examples inspired by the application of cardiovascular
imaging.
- Abstract（参考訳）: SPCCT(Spectral Photon-Counting Computed Tomography)は、従来のX線CT(Computed Tomography)に比べて、材料分離、アーティファクト除去、画像品質の向上という形で多くの利点を示す有望な技術である。
しかしながら、SPCCT支配方程式の複雑さと非線形性の増加により、モデルベースの再構成アルゴリズムは、通常、手作りの正規化項と極小パラメータの巧妙なチューニングを必要とし、変動条件での校正は不可能である。
さらに、一般的に計算コストが高く、限られた角度のデータの場合、撮像能力は著しく低下する。
近年、Deep Learningは、これらの課題の多くを回避しつつ、医療画像アプリケーションに最先端の再構築性能を提供することが証明されている。
これらの進歩に触発されて,モデル知識を取り入れつつ,ニューラルネットワークの表現力を利用するscctのための深層学習イメージング手法を提案する。
この手法は、ケース固有データを用いて訓練された2段階学習原始双対アルゴリズムの形式を取る。
提案手法は,他の最適化手法で要求されるハンドチューニングを回避しつつ,高速再構成機能と高撮像性能によって特徴付けられる。
心血管画像の応用に触発された数値例を用いて,再構成画像と品質指標を用いて,本手法の性能を実証した。
関連論文リスト
- DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。
提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-04-19T09:52:32Z) - INeAT: Iterative Neural Adaptive Tomography [34.84974955073465]
反復型ニューラルアダプティブ・トモグラフィ(INeAT)は、姿勢の最適化を組み込んで、姿勢の摂動の影響を抑える。
IneAT は, 顕著なポーズ障害を伴うシナリオにおいて, アーティファクト抑制, 解像度向上を達成できることを実証した。
論文 参考訳（メタデータ） (2023-11-03T01:00:36Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Spectral Bandwidth Recovery of Optical Coherence Tomography Images using
Deep Learning [0.6990493129893112]
取得速度を向上する技術開発は、しばしばスペクトル帯域幅が狭くなり、したがって軸方向分解能が低くなる。
従来,OCTのサブサンプルデータを再構成するために画像処理技術が用いられてきた。
本研究では,スペクトル領域におけるガウスウィンドウ化による軸方向スキャン(Aスキャン)分解能の低下をシミュレートし,画像特徴再構成のための学習的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-01-02T02:18:32Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - 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) - 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) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。