論文の概要: Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images
- arxiv url: http://arxiv.org/abs/2009.07469v1
- Date: Wed, 16 Sep 2020 04:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:38:32.936211
- Title: Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images
- Title（参考訳）: CT画像における金属アーチファクト低減のための画像を用いた深部Sinogram Completion
- Authors: Lequan Yu, Zhicheng Zhang, Xiaomeng Li, Lei Xing
- Abstract要約: CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。
本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 29.019325663195627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) has been widely used for medical diagnosis,
assessment, and therapy planning and guidance. In reality, CT images may be
affected adversely in the presence of metallic objects, which could lead to
severe metal artifacts and influence clinical diagnosis or dose calculation in
radiation therapy. In this paper, we propose a generalizable framework for
metal artifact reduction (MAR) by simultaneously leveraging the advantages of
image domain and sinogram domain-based MAR techniques. We formulate our
framework as a sinogram completion problem and train a neural network (SinoNet)
to restore the metal-affected projections. To improve the continuity of the
completed projections at the boundary of metal trace and thus alleviate new
artifacts in the reconstructed CT images, we train another neural network
(PriorNet) to generate a good prior image to guide sinogram learning, and
further design a novel residual sinogram learning strategy to effectively
utilize the prior image information for better sinogram completion. The two
networks are jointly trained in an end-to-end fashion with a differentiable
forward projection (FP) operation so that the prior image generation and deep
sinogram completion procedures can benefit from each other. Finally, the
artifact-reduced CT images are reconstructed using the filtered backward
projection (FBP) from the completed sinogram. Extensive experiments on
simulated and real artifacts data demonstrate that our method produces superior
artifact-reduced results while preserving the anatomical structures and
outperforms other MAR methods.
- Abstract（参考訳）: CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
実際、ct画像は金属物の存在下で悪影響を及ぼし、重金属のアーティファクトを生じさせ、放射線治療における臨床診断や線量計算に影響を及ぼす可能性がある。
本稿では,画像領域とシングラム領域に基づくmar手法の利点を同時に活用し,金属アーティファクト低減(mar)のための汎用フレームワークを提案する。
我々は,この枠組みをシンノグラム補完問題として定式化し,ニューラルネットワーク (sinonet) を訓練し,金属影響を受ける投影を復元する。
再構成されたCT画像の新たなアーティファクトを緩和し,メタルトレース境界におけるプロジェクションの連続性を向上させるため,我々は,他のニューラルネットワーク(PriorNet)をトレーニングして,優れた事前画像を生成し,さらに新しい残像学習戦略を設計し,従来の画像情報を有効活用して,より優れたデノグラム完成を実現する。
2つのネットワークは、先行画像生成と深いシンノグラム補完手順が互いに恩恵を受けるように、微分可能な前方投影(fp)操作でエンドツーエンドで共同で訓練される。
最後に、完成したシンノグラムからフィルター付き後方投影(fbp)を用いて人工ct画像を再構成する。
シミュレーションおよび実アーティファクトデータに関する大規模な実験により,本手法は解剖学的構造を保ちながら優れたアーティファクトを再現し,他のMAR法より優れることを示した。
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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 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) - 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) - 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) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - 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) - DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal
Artifact Reduction [15.225899631788973]
金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。
CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。
MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
論文 参考訳（メタデータ） (2021-02-16T08:09:16Z) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳（メタデータ） (2020-01-02T06:39:06Z)
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。