論文の概要: Applications of Deep Learning for Ill-Posed Inverse Problems Within Optical Tomography

• arxiv url: http://arxiv.org/abs/2003.09647v1
• Date: Sat, 21 Mar 2020 12:54:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 12:39:20.042675
• Title: Applications of Deep Learning for Ill-Posed Inverse Problems Within Optical Tomography
• Title（参考訳）: 光トモグラフィにおける逆問題に対するディープラーニングの応用
• Authors: Adam Peace
• Abstract要約: 医療画像の場合、古典的な逆ラドン変換は、測定されたデータからクリーンなイメージを回復するのにうまく機能する。 本稿では,X線CTの逆問題に対する古典的解法の歴史を考察するとともに,教師付き深層学習を利用した手法の現状分析を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Increasingly in medical imaging has emerged an issue surrounding the reconstruction of noisy images from raw measurement data. Where the forward problem is the generation of raw measurement data from a ground truth image, the inverse problem is the reconstruction of those images from the measurement data. In most cases with medical imaging, classical inverse Radon transforms, such as an inverse Fourier transform for MRI, work well for recovering clean images from the measured data. Unfortunately in the case of X-Ray CT, where undersampled data is very common, more than this is needed to resolve faithful and usable images. In this paper, we explore the history of classical methods for solving the inverse problem for X-Ray CT, followed by an analysis of the state of the art methods that utilize supervised deep learning. Finally, we will provide some possible avenues for research in the future.
• Abstract（参考訳）: 生の計測データからノイズ画像の再構成を取り巻く医療画像の発達が問題視されている。 前方の問題は、地上の真理画像から生計測データを生成することであるが、逆の問題は、これらの画像の計測データからの再構成である。 医療画像の場合、MRI用の逆フーリエ変換のような古典的な逆ラドン変換は、測定データからクリーンなイメージを回復するのにうまく機能する。 残念なことに、アンダーサンプルデータが非常に一般的であるX線CTでは、忠実で使用可能な画像を解決するためにこれ以上のものが必要である。 本稿では,X線CTの逆問題に対する古典的解法の歴史を考察するとともに,教師付き深層学習を利用した手法の現状分析を行った。 最後に、将来研究のためのいくつかの可能な道を提供する。

関連論文リスト

• Tomographic Reconstruction and Regularisation with Search Space Expansion and Total Variation [0.0]
  不完全なデータの処理は、患者が潜在的に放射線を損傷したり、長いスキャン時間に対処できない場合に重要である。 本稿では,画像空間内を粒子が移動し,再構成誤差を最小限に抑えるために,Swarmをベースとした再構成手法を提案する。 提案手法は, 標準的なトモグラフィ再構成ツールボックスアルゴリズムと比較して, 再現誤差が低いことを示す。
  論文  参考訳（メタデータ） (2024-06-03T15:57:43Z)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models trained on Corrupted Data [56.81246107125692]
  Ambient Diffusion Posterior Smpling (A-DPS) は、ある種類の腐敗に対して事前訓練された生成モデルである。 A-DPSは、いくつかの画像復元タスクにおいて、クリーンなデータで訓練されたモデルよりも、速度と性能の両方で優れていることが示される。 我々はAmbient Diffusionフレームワークを拡張して、FourierサブサンプルのマルチコイルMRI測定にのみアクセスしてMRIモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• Position Regression for Unsupervised Anomaly Detection [0.8999666725996974]
  座標回帰に基づく新しい異常検出手法を提案する。 本手法は,健康な被験者のデータのみに基づいて,ボリューム内のパッチの位置を推定する。 本手法は,画像再構成に係わる他の手法よりも少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2023-01-19T13:22:11Z)
• Masked Sinogram Model with Transformer for ill-Posed Computed Tomography Reconstruction: a Preliminary Study [0.9023847175654602]
  自然言語処理におけるトランスフォーマーの成功に触発されて,この研究の中心となる考え方は,トモグラフィーの投影を単語トークンとして考えることである。 我々は、CT再構成を含む下流の様々なアプリケーションに対して、マスク付きシノグラムモデル(MSM)とファインチューンMSMをトレーニングすることで、基礎モデルのアイデアを探求する。
  論文  参考訳（メタデータ） (2022-09-03T08:00:04Z)
• 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)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
  CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である 機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。 本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T05:41:12Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• Overcoming Measurement Inconsistency in Deep Learning for Linear Inverse Problems: Applications in Medical Imaging [0.9137554315375922]
  ディープニューラルネットワーク(Deep Neural Network, DNN)は、線形逆問題の解法である。 本稿では,DNNの出力を,測定一貫性を強制する最適化アルゴリズムで後処理するフレームワークを提案する。 MR画像を用いた実験により,本手法による測定の整合性向上は再建性能を大きく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-11-29T15:19:41Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。