論文の概要: Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images

• arxiv url: http://arxiv.org/abs/2005.10034v1
• Date: Wed, 20 May 2020 13:30:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 05:22:52.924655
• Title: Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images
• Title（参考訳）: 先行画像を用いた不十分なデータからのデータ一貫性CT再構成
• Authors: Yixing Huang, Alexander Preuhs, Michael Manhart, Guenter Lauritsch, Andreas Maier
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.13735569016752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reconstruction from insufficient data is common in computed tomography (CT), e.g., image reconstruction from truncated data, limited-angle data and sparse-view data. Deep learning has achieved impressive results in this field. However, the robustness of deep learning methods is still a concern for clinical applications due to the following two challenges: a) With limited access to sufficient training data, a learned deep learning model may not generalize well to unseen data; b) Deep learning models are sensitive to noise. Therefore, the quality of images processed by neural networks only may be inadequate. In this work, we investigate the robustness of deep learning in CT image reconstruction by showing false negative and false positive lesion cases. Since learning-based images with incorrect structures are likely not consistent with measured projection data, we propose a data consistent reconstruction (DCR) method to improve their image quality, which combines the advantages of compressed sensing and deep learning: First, a prior image is generated by deep learning. Afterwards, unmeasured projection data are inpainted by forward projection of the prior image. Finally, iterative reconstruction with reweighted total variation regularization is applied, integrating data consistency for measured data and learned prior information for missing data. The efficacy of the proposed method is demonstrated in cone-beam CT with truncated data, limited-angle data and sparse-view data, respectively. For example, for truncated data, DCR achieves a mean root-mean-square error of 24 HU and a mean structure similarity index of 0.999 inside the field-of-view for different patients in the noisy case, while the state-of-the-art U-Net method achieves 55 HU and 0.995 respectively for these two metrics.
• Abstract（参考訳）: 不十分なデータからの画像再構成はCT(Computerd tomography)において一般的であり、例えば、切り離されたデータ、限られた角度のデータ、スパースビューデータからの画像再構成である。 ディープラーニングはこの分野で素晴らしい成果を上げています。 しかし,深層学習法の頑健性は,以下の2つの課題により臨床応用においてもなお懸念されている。 a) 十分なトレーニングデータへのアクセスが限られている場合において、学習深層学習モデルは、見当たらないデータに対して十分に一般化できない場合がある。 b) ディープラーニングモデルはノイズに敏感である。 したがって、ニューラルネットワークによって処理される画像の品質は不十分である。 本研究では,CT画像再構成における深層学習の堅牢性について,偽陰性および偽陽性病変を呈示することにより検討した。 誤った構造を持つ学習ベース画像は、計測された投影データと一致しない可能性が高いため、圧縮されたセンシングと深層学習の利点を組み合わせた、画像品質を改善するためのデータ一貫性再構築(DCR)手法を提案する。 その後、事前画像の前方投影により、未測定の投影データが塗装される。 最後に,再重み付けされた全変動正規化による反復的再構成を行い,測定データに対するデータ一貫性と欠測データに対する学習済み事前情報を統合する。 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。 例えば、truncatedデータの場合、DCRは24HUの平均ルート平均二乗誤差とノイズの場合のフィールド・オブ・ビュー内の平均構造類似度指数0.999を達成し、最先端のU-Net法はそれぞれ55HUと0.995を達成している。

関連論文リスト

• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Conditioning Generative Latent Optimization for Sparse-View CT Image Reconstruction [0.5497663232622965]
  生成潜在最適化フレームワーク(cGLO)に対する教師なし条件付きアプローチを提案する。 この手法は、複数のトレーニングデータセットサイズと様々な視角を用いて、フルドーズスパース・ビューCTでテストされる。
  論文  参考訳（メタデータ） (2023-07-31T13:47:33Z)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Inflation of test accuracy due to data leakage in deep learning-based classification of OCT images [0.0]
  本研究では,2つの分類課題に対して,不適切なデータセット分割がモデル評価に及ぼす影響を実証した。 その結果,不適切な分割を伴うデータセット上で実験したモデルに対して,分類精度は3.9～26パーセント向上した。
  論文  参考訳（メタデータ） (2022-02-21T14:08:42Z)
• 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)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
  画像から高密度深度マップとスパース深度測定を推定する手法を提案する。 我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
  論文  参考訳（メタデータ） (2021-06-06T00:21:12Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。