論文の概要: X-ray Photon-Counting Data Correction through Deep Learning
- arxiv url: http://arxiv.org/abs/2007.03119v1
- Date: Mon, 6 Jul 2020 23:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:27:58.065702
- Title: X-ray Photon-Counting Data Correction through Deep Learning
- Title(参考訳): 深層学習によるX線光子結合データ補正
- Authors: Mengzhou Li, David S. Rundle and Ge Wang
- Abstract要約: 深層ニューラルネットワークを用いたPCDデータ補正手法を提案する。
本研究ではまず,電荷分割とパルス蓄積効果を取り入れた完全シミュレーションモデルを構築した。
シミュレーションされたPCDデータと地上の真理のデータは、PCDデータ修正のために特別に設計されたディープ・敵ネットワークに送られる。
- 参考スコア(独自算出の注目度): 3.535670189300134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray photon-counting detectors (PCDs) are drawing an increasing attention in
recent years due to their low noise and energy discrimination capabilities. The
energy/spectral dimension associated with PCDs potentially brings great
benefits such as for material decomposition, beam hardening and metal artifact
reduction, as well as low-dose CT imaging. However, X-ray PCDs are currently
limited by several technical issues, particularly charge splitting (including
charge sharing and K-shell fluorescence re-absorption or escaping) and pulse
pile-up effects which distort the energy spectrum and compromise the data
quality. Correction of raw PCD measurements with hardware improvement and
analytic modeling is rather expensive and complicated. Hence, here we proposed
a deep neural network based PCD data correction approach which directly maps
imperfect data to the ideal data in the supervised learning mode. In this work,
we first establish a complete simulation model incorporating the charge
splitting and pulse pile-up effects. The simulated PCD data and the ground
truth counterparts are then fed to a specially designed deep adversarial
network for PCD data correction. Next, the trained network is used to correct
separately generated PCD data. The test results demonstrate that the trained
network successfully recovers the ideal spectrum from the distorted measurement
within $\pm6\%$ relative error. Significant data and image fidelity
improvements are clearly observed in both projection and reconstruction
domains.
- Abstract(参考訳): X線フォトン計数検出器(PCD)は、ノイズやエネルギーの識別能力の低さから近年注目されている。
PCDに関連するエネルギー/スペクトル次元は、材料分解、ビーム硬化、金属加工物の還元、低線量CTイメージングなどの大きな利点をもたらす可能性がある。
しかし、x線pcdは現在いくつかの技術的問題、特に電荷分割(電荷共有やk殻蛍光再吸収やエスケープを含む)や、エネルギースペクトルを歪めてデータ品質を損なうパルスパイルアップ効果によって制限されている。
ハードウェアの改良と解析モデルによる生PCD測定の補正は、かなり高価で複雑である。
そこで本研究では、教師付き学習モードにおいて、不完全なデータを理想のデータに直接マッピングするディープニューラルネットワークに基づくPCDデータ補正手法を提案する。
本研究ではまず,電荷分割とパルス蓄積効果を取り入れた完全シミュレーションモデルを構築した。
シミュレーションされたPCDデータと地上の真理のデータは、PCDデータ修正のために特別に設計されたディープ・敵ネットワークに送られる。
次に、訓練されたネットワークを用いて別々に生成されたpcdデータを補正する。
実験の結果、トレーニングされたネットワークは、相対誤差$\pm6\%$で歪み測定から理想的なスペクトルを回復することを示した。
投影領域と再構成領域の両方において、重要なデータと画像の忠実度の改善が明らかである。
関連論文リスト
- ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳(メタデータ) (2023-09-03T07:55:46Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳(メタデータ) (2022-12-07T13:39:23Z) - Unsupervised denoising for sparse multi-spectral computed tomography [2.969056717104372]
我々は,64チャンネルPCD-CTのスパース測定から高品質な再構成を実現するための課題に対して,学習に基づく改善が適しているかを検討した。
本稿では, 再構成における異なるフィルタ関数と, スペクトルチャネルと核ノルムとの明示的な結合を利用して, 教師なしのデノベーションとアーティファクトの除去手法を提案する。
論文 参考訳(メタデータ) (2022-11-02T14:36:24Z) - 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) - Data augmentation for deep learning based accelerated MRI reconstruction
with limited data [46.44703053411933]
ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。
最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。
本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
論文 参考訳(メタデータ) (2021-06-28T19:08:46Z) - Scatter Correction in X-ray CT by Physics-Inspired Deep Learning [26.549671705231145]
X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。
散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。
本研究では,PhILSCATとOV-PhILSCATの2種類の深層学習法を提案する。
論文 参考訳(メタデータ) (2021-03-21T22:51:20Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT
Source Trajectories for Artifact Avoidance [47.345403652324514]
市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。
そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。
リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
論文 参考訳(メタデータ) (2020-08-14T09:23:50Z) - Low-dimensional Manifold Constrained Disentanglement Network for Metal
Artifact Reduction [17.01644053979103]
アーティファクト・ディアンタングメント・ネットワーク (ADN) が, 臨床画像を直接検査して提案され, 臨床データセットに有望な結果が得られた。
パッチ多様体が一般に低次元であることのイメージ特性を活かした低次元多様体 (LDM) 制約付き非絡合ネットワーク (DN) を提案する。
提案手法は,ペアおよび/またはペアなしの学習環境におけるMAR性能を安定的に向上できることを示す。
論文 参考訳(メタデータ) (2020-07-08T03:47:34Z) - 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) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。