論文の概要: MetaInv-Net: Meta Inversion Network for Sparse View CT Image Reconstruction

• arxiv url: http://arxiv.org/abs/2006.00171v3
• Date: Fri, 18 Sep 2020 01:17:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:49:41.409449
• Title: MetaInv-Net: Meta Inversion Network for Sparse View CT Image Reconstruction
• Title（参考訳）: MetaInv-Net:Sparse View CT画像再構成のためのメタインバージョンネットワーク
• Authors: Haimiao Zhang, Baodong Liu, Hengyong Yu, Bin Dong
• Abstract要約: 本稿では,反復アルゴリズムの展開により構築したバックボーンネットワークアーキテクチャを用いて,CT画像再構成のための新しいディープラーニングモデルを提案する。 私たちはメタ・インバージョン・ネットワーク(MetaInv-Net)と呼ぶ。 提案されたMetaInv-Netは、優れた画像再構成性能を維持しながら、はるかにトレーニング可能なパラメータで設計することができる。
• 参考スコア（独自算出の注目度）: 15.090133305839595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray Computed Tomography (CT) is widely used in clinical applications such as diagnosis and image-guided interventions. In this paper, we propose a new deep learning based model for CT image reconstruction with the backbone network architecture built by unrolling an iterative algorithm. However, unlike the existing strategy to include as many data-adaptive components in the unrolled dynamics model as possible, we find that it is enough to only learn the parts where traditional designs mostly rely on intuitions and experience. More specifically, we propose to learn an initializer for the conjugate gradient (CG) algorithm that involved in one of the subproblems of the backbone model. Other components, such as image priors and hyperparameters, are kept as the original design. Since a hypernetwork is introduced to inference on the initialization of the CG module, it makes the proposed model a certain meta-learning model. Therefore, we shall call the proposed model the meta-inversion network (MetaInv-Net). The proposed MetaInv-Net can be designed with much less trainable parameters while still preserves its superior image reconstruction performance than some state-of-the-art deep models in CT imaging. In simulated and real data experiments, MetaInv-Net performs very well and can be generalized beyond the training setting, i.e., to other scanning settings, noise levels, and data sets.
• Abstract（参考訳）: X線CT(CT)は診断や画像誘導療法などの臨床応用に広く用いられている。 本稿では,反復アルゴリズムの展開により構築したバックボーンネットワークアーキテクチャを用いて,CT画像再構成のための新しいディープラーニングモデルを提案する。 しかし、出来るだけ多くのデータ適応コンポーネントをアンロールされたダイナミックスモデルに含めるという既存の戦略とは異なり、従来のデザインが直観や経験に依存している部分のみを学ぶことは十分である。 より具体的には、バックボーンモデルのサブ問題の1つに関与する共役勾配(cg)アルゴリズムの初期化子を学ぶことを提案する。 イメージプリエントやハイパーパラメータといった他のコンポーネントは、元の設計として保持される。 CGモジュールの初期化を推測するためにハイパーネットワークが導入されたため、提案モデルが特定のメタ学習モデルとなる。 したがって、提案モデルをメタインバージョンネットワーク(metainv-net)と呼ぶ。 提案されたmetainv-netはトレーニング可能なパラメータをはるかに少なくして設計できるが、ct画像における最先端のディープモデルよりも優れた画像再構成性能を維持している。 シミュレーションおよび実データ実験では、MetaInv-Netは非常によく機能し、トレーニング設定、すなわち他のスキャン設定、ノイズレベル、データセットを超越して一般化することができる。

関連論文リスト

• Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and Unsupervised Learning [13.17680480211064]
  X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。 提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。 限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-19T20:23:59Z)
• MEPNet: A Model-Driven Equivariant Proximal Network for Joint Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
  我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。 MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。 コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
  論文  参考訳（メタデータ） (2023-06-25T15:50:11Z)
• Not All Image Regions Matter: Masked Vector Quantization for Autoregressive Image Generation [78.13793505707952]
  既存の自己回帰モデルは、まず画像再構成のための潜伏空間のコードブックを学習し、学習したコードブックに基づいて自己回帰的に画像生成を完了する2段階生成パラダイムに従っている。 そこで本研究では,Masked Quantization VAE (MQ-VAE) Stackモデルを用いた2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:15:53Z)
• 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)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Unsupervised Deep Learning Meets Chan-Vese Model [77.24463525356566]
  本稿では,Chan-Vese(CV)モデルとディープニューラルネットワークを統合した教師なしのイメージセグメンテーション手法を提案する。 私たちの基本的な考え方は、イメージを潜伏空間にマッピングするディープニューラルネットワークを適用して、画像空間における断片的な定数仮定の違反を軽減することです。
  論文  参考訳（メタデータ） (2022-04-14T13:23:57Z)
• 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)
• 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)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT Image Reconstruction [12.37556184089774]
  教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を開発した。 提案フレームワークは、画像の古典的スカラー化変換モデルを、Multi-lAyer Residual Sparsifying transform (MARS)モデルに拡張する。 限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-10-10T09:04:43Z)

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。