論文の概要: Limited View Tomographic Reconstruction Using a Deep Recurrent Framework
with Residual Dense Spatial-Channel Attention Network and Sinogram
Consistency
- arxiv url: http://arxiv.org/abs/2009.01782v1
- Date: Thu, 3 Sep 2020 16:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 08:02:43.021944
- Title: Limited View Tomographic Reconstruction Using a Deep Recurrent Framework
with Residual Dense Spatial-Channel Attention Network and Sinogram
Consistency
- Title（参考訳）: 濃密な空間チャネル注意ネットワークとシンノグラムの一貫性を有する深部リカレント・フレームワークを用いた有限視点断層像再構成
- Authors: Bo Zhou, S. Kevin Zhou, James S. Duncan, Chi Liu
- Abstract要約: 本稿では,同じブロックを複数回積み重ねる新しい繰り返し再構成フレームワークを提案する。
本研究では, 再帰的なブロックの中間出力のシングラムと一致するように, リカレント・フレームワークにインターリーブされたシングラム整合層を構築した。
本アルゴリズムは, 狭角化と狭角化の両面において, 既存の最先端のニューラル手法よりも一貫した, 顕著な改善を実現している。
- 参考スコア（独自算出の注目度）: 25.16002539710169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Limited view tomographic reconstruction aims to reconstruct a tomographic
image from a limited number of sinogram or projection views arising from sparse
view or limited angle acquisitions that reduce radiation dose or shorten
scanning time. However, such a reconstruction suffers from high noise and
severe artifacts due to the incompleteness of sinogram. To derive quality
reconstruction, previous state-of-the-art methods use UNet-like neural
architectures to directly predict the full view reconstruction from limited
view data; but these methods leave the deep network architecture issue largely
intact and cannot guarantee the consistency between the sinogram of the
reconstructed image and the acquired sinogram, leading to a non-ideal
reconstruction. In this work, we propose a novel recurrent reconstruction
framework that stacks the same block multiple times. The recurrent block
consists of a custom-designed residual dense spatial-channel attention network.
Further, we develop a sinogram consistency layer interleaved in our recurrent
framework in order to ensure that the sampled sinogram is consistent with the
sinogram of the intermediate outputs of the recurrent blocks. We evaluate our
methods on two datasets. Our experimental results on AAPM Low Dose CT Grand
Challenge datasets demonstrate that our algorithm achieves a consistent and
significant improvement over the existing state-of-the-art neural methods on
both limited angle reconstruction (over 5dB better in terms of PSNR) and sparse
view reconstruction (about 4dB better in term of PSNR). In addition, our
experimental results on Deep Lesion datasets demonstrate that our method is
able to generate high-quality reconstruction for 8 major lesion types.
- Abstract（参考訳）: リミテッドビュートモグラフィー再構成は, 放射線線量削減や走査時間の短縮を図ったスパークビューや限られた角度取得から, シングラムや投影ビューの限られた数から断層像を再構成することを目的としている。
しかし、こうした復元は、シンノグラムの不完全さのため、高いノイズと重度のアーティファクトに苦しむ。
従来の最先端の手法では、UNetのようなニューラルアーキテクチャを使用して、限られたビューデータから完全なビュー再構築を直接予測するが、ディープネットワークアーキテクチャの問題はほとんど無傷のままであり、再構成された画像と取得されたシングラムの一貫性を保証できないため、非理想的な再構築につながる。
本研究では,同じブロックを複数回スタックする新しい再帰的再構築フレームワークを提案する。
リカレントブロックは、カスタム設計された残留密度空間チャネルアテンションネットワークで構成されている。
さらに,本手法では,繰り返しブロックの中間出力のシングラムと標本化シングラムが一致していることを保証するために,リカレントフレームワークにインターリーブされたシングラム一貫性層を開発する。
提案手法を2つのデータセットで評価する。
AAPM Low Dose CT Grand Challengeデータセットに対する実験結果から,PSNRでは5dB以上,PSNRでは4dB程度)とスパースビュー再構築(PSNRでは4dB程度)の両方において,既存の最先端のニューラル手法よりも一貫した,有意な改善が得られた。
また,深部病変データセットを用いた実験により,8種類の主要病変に対して高品質な再建が可能であった。
関連論文リスト
- APRF: Anti-Aliasing Projection Representation Field for Inverse Problem
in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。
近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。
自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)-
APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文 参考訳（メタデータ） (2023-07-11T14:04:12Z) - Self-Supervised Coordinate Projection Network for Sparse-View Computed
Tomography [31.774432128324385]
本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。
暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
論文 参考訳（メタデータ） (2022-09-12T06:14:04Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳（メタデータ） (2022-08-17T03:42:19Z) - DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram
Restoration in Sparse-View CT Reconstruction [13.358197688568463]
撮像過程におけるヨウ素の放射線は 不可逆的な損傷を引き起こす
スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。
textbfDual-textbfDomain textbfDuDoTransを提案する。
論文 参考訳（メタデータ） (2021-11-21T10:41:07Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳（メタデータ） (2021-08-12T08:46:35Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Interpolation of CT Projections by Exploiting Their Self-Similarity and
Smoothness [6.891238879512674]
提案アルゴリズムは, シングラムの自己相似性と滑らか性を利用する。
シミュレーションおよび実ctデータを用いた実験により,提案アルゴリズムを用いたシンノグラムにより,再構成画像の品質が大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-03-05T22:41:25Z) - Reconstruction and Segmentation of Parallel MR Data using Image Domain
DEEP-SLR [25.077510176642807]
我々は、アンダーサンプリングされたPMRIデータのキャリブレーションレスリカバリのための画像ドメインディープネットワークを提案する。
分割誤りを最小限に抑えるため,提案手法を分割ネットワークと組み合わせ,エンドツーエンドで学習した。
分割誤差の低減に加えて,オーバーフィッティングの低減による再構成性能の向上も実現している。
論文 参考訳（メタデータ） (2021-02-01T21:15:59Z) - Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。
ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。
本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
論文 参考訳（メタデータ） (2020-08-04T21:35:32Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳（メタデータ） (2020-03-29T17:26:58Z)
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。