論文の概要: Projection Inpainting Using Partial Convolution for Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2005.00762v1
• Date: Sat, 2 May 2020 09:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 12:51:28.539989
• Title: Projection Inpainting Using Partial Convolution for Metal Artifact Reduction
• Title（参考訳）: 部分畳み込みを用いた金属アーティファクト低減のための射影塗装
• Authors: Lin Yuan, Yixing Huang and Andreas Maier
• Abstract要約: コンピュータ断層撮影では、患者体内に金属インプラントがあるため、再構成された画像は金属加工物に悩まされる。 この研究において、部分的畳み込みは、有効なピクセル値のみに依存する射影インペイントに適用される。 実験により、部分的な畳み込みを伴うU-Netは、従来の畳み込みよりも金属の破損した領域をよりよく塗ることができることが示された。
• 参考スコア（独自算出の注目度）: 11.585162804922739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computer tomography, due to the presence of metal implants in the patient body, reconstructed images will suffer from metal artifacts. In order to reduce metal artifacts, metals are typically removed in projection images. Therefore, the metal corrupted projection areas need to be inpainted. For deep learning inpainting methods, convolutional neural networks (CNNs) are widely used, for example, the U-Net. However, such CNNs use convolutional filter responses on both valid and corrupted pixel values, resulting in unsatisfactory image quality. In this work, partial convolution is applied for projection inpainting, which only relies on valid pixels values. The U-Net with partial convolution and conventional convolution are compared for metal artifact reduction. Our experiments demonstrate that the U-Net with partial convolution is able to inpaint the metal corrupted areas better than that with conventional convolution.
• Abstract（参考訳）: コンピュータ断層撮影では、患者体内に金属インプラントがあるため、再構成された画像は金属加工物に悩まされる。 金属のアーティファクトを減らすために、通常、金属は投影像から取り除かれる。 したがって、金属劣化した投射領域を塗る必要がある。 ディープラーニングの塗装法では、例えばU-Netなど、畳み込みニューラルネットワーク(CNN)が広く使われている。 しかし、これらのCNNは、有効な画素値と破損した画素値の両方で畳み込みフィルタ応答を使用し、不満足な画像品質をもたらす。 本研究では、部分畳み込みを投影インペインティングに適用し、有効なピクセル値のみに依存する。 部分的畳み込みと従来の畳み込みを含むU-Netは、金属加工品の還元に比較される。 実験により, 部分的畳み込みを伴うU-Netは, 従来の畳み込みよりも, 金属劣化した領域を塗布できることを示した。

関連論文リスト

• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• 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-conscious Embedding for CBCT Projection Inpainting [6.94542730064006]
  コーンビームCT(CBCT)の投影画像における金属インプラントの存在は、望ましくないアーティファクトを導入している。 本研究では,視覚変換器(ViT)と畳み込みニューラルネットワークを組み合わせたハイブリッドネットワークを,塗装作業のベースラインネットワークとして提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:55:49Z)
• Accurate Image Restoration with Attention Retractable Transformer [50.05204240159985]
  画像復元のためのアテンション・リトラクタブル・トランス (ART) を提案する。 ARTはネットワーク内の密集モジュールと疎開モジュールの両方を提示する。 画像超解像、デノナイジング、JPEG圧縮アーティファクト削減タスクについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-04T07:35:01Z)
• Metal Inpainting in CBCT Projections Using Score-based Generative Model [8.889876750552615]
  本研究は, 膝投射を模擬したスコアベース生成モデルを訓練し, 条件付き再サンプリングプロセスにおいて, ノイズを取り除き, インペインテッド画像を得る。 その結果, スコアベース生成モデルによるインペイント画像は, より詳細な情報を持ち, 平均絶対誤差が最も低く, ピーク信号対雑音比が最も高いことが示唆された。
  論文  参考訳（メタデータ） (2022-09-20T14:07:39Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• 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)
• Learning JPEG Compression Artifacts for Image Manipulation Detection and Localization [26.36646590957593]
  画像中の内在統計を解析することにより、真正領域と改ざん領域を区別することが不可欠である。 本稿では、圧縮アーティファクトが残る離散コサイン変換(DCT)係数を用いた畳み込みニューラルネットワーク(CNN)による画像操作のローカライズを提案する。 DCT係数の分布を学習するニューラルネットワークの設計と訓練方法を示す。 これは、改ざんされた領域を検出してローカライズする、従来のニューラルネットワークとディープニューラルネットワークベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-08-30T01:21:07Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography [21.5885187197634]
  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。
  論文  参考訳（メタデータ） (2020-01-02T06:39:06Z)

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。