Fugu-MT 論文翻訳(概要): Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model

論文の概要: Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model

arxiv url: http://arxiv.org/abs/2009.12760v2
Date: Tue, 23 Mar 2021 06:05:03 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 03:43:13.997670
Title: Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model
Title（参考訳）: 生成モデルの深勾配前駆を用いた低用量ctの反復的再構成
Authors: Zhuonan He, Yikun Zhang, Yu Guan, Shanzhou Niu, Yi Zhang, Yang Chen, Qiegen Liu
Abstract要約: 反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
参考スコア（独自算出の注目度）: 24.024765099719886
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dose reduction in computed tomography (CT) is essential for decreasing radiation risk in clinical applications. Iterative reconstruction is one of the most promising ways to compensate for the increased noise due to reduction of photon flux. Rather than most existing prior-driven algorithms that benefit from manually designed prior functions or supervised learning schemes, in this work we integrate the data-consistency as a conditional term into the iterative generative model for low-dose CT. At the stage of prior learning, the gradient of data density is directly learned from normal-dose CT images as a prior. Then at the iterative reconstruction stage, the stochastic gradient descent is employed to update the trained prior with annealed and conditional schemes. The distance between the reconstructed image and the manifold is minimized along with data fidelity during reconstruction. Experimental comparisons demonstrated the noise reduction and detail preservation abilities of the proposed method.
Abstract（参考訳）: CTの線量削減は臨床応用における放射線リスクの低減に不可欠である。繰り返し再構成は、光子フラックスの減少によるノイズの増加を補償する最も有望な方法の1つである。本研究では,手動で設計した事前関数や教師付き学習方式の恩恵を受ける既存の事前駆動アルゴリズムよりも,条件項としてのデータ一貫性を低用量CTの反復生成モデルに統合する。先行学習の段階では, 従来のCT画像からデータ密度の勾配を直接学習する。そして, 反復再建段階において, 漸近勾配降下法を用いて, 焼鈍および条件付きスキームを用いてトレーニング前を更新する。再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。提案手法の騒音低減効果と細部保存効果を実験的に比較した。

関連論文リスト

AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
CTは産業用非破壊検査や診断において重要な役割を担っている。スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
論文参考訳（メタデータ） (2024-09-11T10:34:41Z)
One-step Generative Diffusion for Realistic Extreme Image Rescaling [47.89362819768323]
極端画像再スケーリングのためのワンステップイメージ再スケーリング拡散(OSIRDiff)と呼ばれる新しいフレームワークを提案する。 OSIRDiffは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を実行する。これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文参考訳（メタデータ） (2024-08-17T09:51:42Z)
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)
DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文参考訳（メタデータ） (2024-04-27T12:55:13Z)
Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
論文参考訳（メタデータ） (2024-03-06T08:51:09Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
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)
A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文参考訳（メタデータ） (2022-03-28T14:03:45Z)
Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文参考訳（メタデータ） (2022-03-10T14:22:54Z)
Self-Supervised Training For Low Dose CT Reconstruction [0.0]
本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。ノイズが要素的に独立な射影領域に自己超越原理を適用する。提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-25T22:02:14Z)
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。