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
- End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。
AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-01T16:20:59Z) - Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。
反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。
その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文 参考訳（メタデータ） (2024-05-27T13:44:53Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - 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) - 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) - 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。