論文の概要: Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN

• arxiv url: http://arxiv.org/abs/2007.03480v1
• Date: Tue, 7 Jul 2020 14:11:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 18:40:38.818880
• Title: Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN
• Title（参考訳）: 注意誘導β-CycleGANを用いた教師なしCT金属アーチファクト学習
• Authors: Junghyun Lee, Jawook Gu, and Jong Chul Ye
• Abstract要約: 金属アーチファクトリダクション(MAR)はCT(Computerd tomography)において最も重要な研究課題の一つである。 そこで本研究では,CTのためのよりシンプルで効果的に教師なしのMAR法を提案する。
• 参考スコア（独自算出の注目度）: 36.1921415839058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal artifact reduction (MAR) is one of the most important research topics in computed tomography (CT). With the advance of deep learning technology for image reconstruction,various deep learning methods have been also suggested for metal artifact removal, among which supervised learning methods are most popular. However, matched non-metal and metal image pairs are difficult to obtain in real CT acquisition. Recently, a promising unsupervised learning for MAR was proposed using feature disentanglement, but the resulting network architecture is complication and difficult to handle large size clinical images. To address this, here we propose a much simpler and much effective unsupervised MAR method for CT. The proposed method is based on a novel beta-cycleGAN architecture derived from the optimal transport theory for appropriate feature space disentanglement. Another important contribution is to show that attention mechanism is the key element to effectively remove the metal artifacts. Specifically, by adding the convolutional block attention module (CBAM) layers with a proper disentanglement parameter, experimental results confirm that we can get more improved MAR that preserves the detailed texture of the original image.
• Abstract（参考訳）: 金属アーチファクトリダクション(MAR)はCT(Computed tomography)において最も重要な研究課題の一つである。 画像再構成のための深層学習技術の進歩に伴い、様々な深層学習手法が金属片の除去にも提案され、その中でも教師付き学習法が最も人気である。 しかし, 実際のCT画像取得では, 非金属画像と金属画像のマッチングは困難である。 近年,marのための有望な教師なし学習が特徴的異方性を用いて提案されているが,ネットワークアーキテクチャは複雑であり,大規模臨床画像の処理が困難である。 そこで本研究では,CTのためのよりシンプルで効果的な教師なしMAR法を提案する。 提案手法は,適切な特徴空間の不等角化のための最適輸送理論に基づく新しいベータサイクガンアーキテクチャに基づいている。 もう一つの重要な貢献は、注意機構が金属のアーティファクトを効果的に除去する鍵となる要素であることを示すことである。 具体的には、畳み込みブロックアテンションモジュール(CBAM)層に適切な乱れパラメータを加えることで、元の画像の詳細なテクスチャを保存したMARをより改善できることを確認した。

関連論文リスト

• Unlocking the Potential of Early Epochs: Uncertainty-aware CT Metal Artifact Reduction [7.4965536794782945]
  CT(Computerd tomography)では、患者の金属インプラントの存在は、再建された画像に破壊的なアーティファクトをもたらすことが多い。 本稿では,初期トレーニング重量の復元結果から算出した不確実性画像が,高周波領域を効果的に強調することを発見した。 本稿では,MARネットワークを金属加工領域に集中させるために,不確実性画像を適応重みとして利用する不確実性制約(UC)損失を提案する。
  論文  参考訳（メタデータ） (2024-06-18T01:36:58Z)
• MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
  金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。 歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。 P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
  論文  参考訳（メタデータ） (2023-11-16T06:02:03Z)
• 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 artifact correction in cone beam computed tomography using synthetic X-ray data [0.0]
  解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。 1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。 比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
  論文  参考訳（メタデータ） (2022-08-17T13:31:38Z)
• 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)
• 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)
• 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)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework [1.1374919153601266]
  金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 MRIでは、感受性アーチファクトを修正する方法がまだ導入されていない。 マルチモーダルMARのための教師なしディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T14:12:00Z)

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。