論文の概要: A computationally efficient reconstruction algorithm for circular cone-beam computed tomography using shallow neural networks

• arxiv url: http://arxiv.org/abs/2010.00421v1
• Date: Thu, 1 Oct 2020 14:10:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:44:58.120107
• Title: A computationally efficient reconstruction algorithm for circular cone-beam computed tomography using shallow neural networks
• Title（参考訳）: 浅層ニューラルネットワークを用いた円錐ビームctの計算効率の高い再構成アルゴリズム
• Authors: Marinus J. Lagerwerf, Daniel M Pelt, Willem Jan Palenstijn, K Joost Batenburg
• Abstract要約: 本稿では,ニューラルネットワークFeldkamp-Davis-Kress (NN-FDK)アルゴリズムを提案する。 FDKアルゴリズムに機械学習コンポーネントを追加し、計算効率を維持しながら再構成精度を向上させる。 NN-FDKネットワークのトレーニング時間は、考慮されたディープニューラルネットワークよりも桁違いに低く、再構成精度はわずかに低下している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Circular cone-beam (CCB) Computed Tomography (CT) has become an integral part of industrial quality control, materials science and medical imaging. The need to acquire and process each scan in a short time naturally leads to trade-offs between speed and reconstruction quality, creating a need for fast reconstruction algorithms capable of creating accurate reconstructions from limited data. In this paper we introduce the Neural Network Feldkamp-Davis-Kress (NN-FDK) algorithm. This algorithm adds a machine learning component to the FDK algorithm to improve its reconstruction accuracy while maintaining its computational efficiency. Moreover, the NN-FDK algorithm is designed such that it has low training data requirements and is fast to train. This ensures that the proposed algorithm can be used to improve image quality in high throughput CT scanning settings, where FDK is currently used to keep pace with the acquisition speed using readily available computational resources. We compare the NN-FDK algorithm to two standard CT reconstruction algorithms and to two popular deep neural networks trained to remove reconstruction artifacts from the 2D slices of an FDK reconstruction. We show that the NN-FDK reconstruction algorithm is substantially faster in computing a reconstruction than all the tested alternative methods except for the standard FDK algorithm and we show it can compute accurate CCB CT reconstructions in cases of high noise, a low number of projection angles or large cone angles. Moreover, we show that the training time of an NN-FDK network is orders of magnitude lower than the considered deep neural networks, with only a slight reduction in reconstruction accuracy.
• Abstract（参考訳）: 円形円錐ビーム(ccb)ct(ct)は,産業品質管理,材料科学,医用イメージングの不可欠な部分となっている。 各スキャンを短時間で取得・処理する必要性は、速度と復元品質のトレードオフを自然に招き、限られたデータから正確な再構成を生成できる高速な再構成アルゴリズムの必要性が生じる。 本稿では,ニューラルネットワークFeldkamp-Davis-Kress(NN-FDK)アルゴリズムを提案する。 このアルゴリズムは、FDKアルゴリズムに機械学習コンポーネントを追加し、計算効率を保ちながら再構成精度を向上させる。 さらに、NN-FDKアルゴリズムは、訓練データ要求が低く、訓練が速いように設計されている。 これにより、提案アルゴリズムは高速CTスキャン設定における画質向上に有効であり、FDKは現在、容易に利用可能な計算資源を用いて取得速度に追従するために使われている。 NN-FDKアルゴリズムを2つの標準CT再構成アルゴリズムと、FDK再構成の2Dスライスから再構成アーチファクトを取り除くために訓練された2つの人気のあるディープニューラルネットワークと比較する。 NN-FDK再構成アルゴリズムは、標準FDKアルゴリズム以外の全ての試験された代替手法よりも大幅に高速であり、高雑音、低射影角、大きな円錐角の場合に正確なCCBCT再構成を計算することができることを示す。 さらに、NN-FDKネットワークのトレーニング時間は、考慮された深層ニューラルネットワークよりも桁違いに低く、再構成精度はわずかに低下している。

関連論文リスト

• Fast and accurate sparse-view CBCT reconstruction using meta-learned neural attenuation field and hash-encoding regularization [13.01191568245715]
  コーンビームCT(CBCT)は、患者の内部解剖学的構造を可視化する新しい医用イメージング技術である。 再構成画像の品質を維持しながらCBCTスキャンにおける投影回数を減らすことは困難である。 本研究では,高速かつ高精度な CBCT 再構成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T07:23:44Z)
• Reinforcement Learning for Sampling on Temporal Medical Imaging Sequences [0.0]
  本研究では、動的画像再構成のためのサンプリング戦略を学ぶために、ダブルディープQ-ラーニングとREINFORCEアルゴリズムを適用した。 時系列のフォーマットでデータを考察し、再構成法は事前訓練されたオートエンコーダ型ニューラルネットワークである。 本稿では,強化学習アルゴリズムが最適サンプリングパターンの発見に有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-28T23:55:23Z)
• Untrained neural network embedded Fourier phase retrieval from few measurements [8.914156789222266]
  本稿では、FPRを少ない測定値で解くために、未学習のニューラルネットワーク埋め込みアルゴリズムを提案する。 再生する画像を表すために生成ネットワークを使用し、ネットワーク構造によって定義された空間に画像を閉じ込める。 未学習NNのパラメータ更新に起因した計算コストを削減するため,明示的正規化と暗黙的正規化を適応的に切り離す高速化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-07-16T16:23:50Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function [28.201018420730332]
  本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
  論文  参考訳（メタデータ） (2022-08-05T18:41:17Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• DCT-SNN: Using DCT to Distribute Spatial Information over Time for Learning Low-Latency Spiking Neural Networks [7.876001630578417]
  Spiking Neural Networks(SNN)は、従来のディープラーニングフレームワークに代わる有望な選択肢を提供する。 SNNは高い推論遅延に悩まされており、デプロイメントの大きなボトルネックとなっている。 本稿では、離散コサイン変換(DCT)を用いて、推論に必要な時間ステップ数を削減できるスケーラブルな時間ベースの符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-10-05T05:55:34Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
  我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。 畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
  論文  参考訳（メタデータ） (2020-02-18T17:42:13Z)

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。