論文の概要: Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT
Image Reconstruction
- arxiv url: http://arxiv.org/abs/2010.06144v3
- Date: Fri, 28 May 2021 10:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 23:37:33.597062
- Title: Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT
Image Reconstruction
- Title(参考訳): 低線量CT画像再構成のための多層残留スペーシング変換(MARS)モデル
- Authors: Xikai Yang, Yong Long, Saiprasad Ravishankar
- Abstract要約: 教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を開発した。
提案フレームワークは、画像の古典的スカラー化変換モデルを、Multi-lAyer Residual Sparsifying transform (MARS)モデルに拡張する。
限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
- 参考スコア(独自算出の注目度): 12.37556184089774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Signal models based on sparse representations have received considerable
attention in recent years. On the other hand, deep models consisting of a
cascade of functional layers, commonly known as deep neural networks, have been
highly successful for the task of object classification and have been recently
introduced to image reconstruction. In this work, we develop a new image
reconstruction approach based on a novel multi-layer model learned in an
unsupervised manner by combining both sparse representations and deep models.
The proposed framework extends the classical sparsifying transform model for
images to a Multi-lAyer Residual Sparsifying transform (MARS) model, wherein
the transform domain data are jointly sparsified over layers. We investigate
the application of MARS models learned from limited regular-dose images for
low-dose CT reconstruction using Penalized Weighted Least Squares (PWLS)
optimization. We propose new formulations for multi-layer transform learning
and image reconstruction. We derive an efficient block coordinate descent
algorithm to learn the transforms across layers, in an unsupervised manner from
limited regular-dose images. The learned model is then incorporated into the
low-dose image reconstruction phase. Low-dose CT experimental results with both
the XCAT phantom and Mayo Clinic data show that the MARS model outperforms
conventional methods such as FBP and PWLS methods based on the edge-preserving
(EP) regularizer in terms of two numerical metrics (RMSE and SSIM) and noise
suppression. Compared with the single-layer learned transform (ST) model, the
MARS model performs better in maintaining some subtle details.
- Abstract(参考訳): 近年,スパース表現に基づく信号モデルが注目されている。
一方で、深層ニューラルネットワークとして知られる機能層からなる深層モデルは、オブジェクトの分類に非常に成功しており、最近では画像再構成に導入されている。
本研究では,スパース表現と深層モデルを組み合わせることで,教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を提案する。
提案するフレームワークは、画像の古典的なスパース化変換モデルを拡張し、多層残差スパース化変換(mars)モデルに拡張する。
我々はPenalized Weighted Least Squares (PWLS) 最適化を用いた低線量CT再構成のための限られた正則線量画像から得られたMARSモデルの適用について検討した。
多層変換学習と画像再構成のための新しい定式化を提案する。
限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
そして、学習したモデルを低線量画像再構成フェーズに組み込む。
XCATファントムとマヨクリニックのデータによる低線量CT実験の結果、MARSモデルは2つの数値指標(RMSEとSSIM)とノイズ抑制の観点から、エッジ保存(EP)正則化(EP)に基づくFBPやPWLS法などの従来の手法よりも優れていた。
単層学習変換(ST)モデルと比較して、MARSモデルは微妙な詳細を維持するのに優れている。
関連論文リスト
- Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Joint Reconstruction [42.95604565673447]
本稿では,マルチブランチ生成モデルを用いて,医用画像の相乗的再構成を学習するための概念実証について述べる。
我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の両方にアプローチの有効性を示す。
本研究は, パッチ分解やモデル制限などの課題にもかかわらず, 医用画像再構成のための生成モデルの可能性を強調した。
論文 参考訳(メタデータ) (2024-04-12T18:21:08Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。
私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。
提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文 参考訳(メタデータ) (2023-08-01T03:44:56Z) - Masked Image Modeling with Local Multi-Scale Reconstruction [54.91442074100597]
Masked Image Modeling (MIM) は自己教師付き表現学習において顕著な成功を収めている。
既存のMIMモデルはエンコーダの最上層でのみ再構成タスクを実行する。
そこで我々は,下層と上層がそれぞれ微細かつ粗大な監視信号を再構成する局所的マルチスケール再構成を設計する。
論文 参考訳(メタデータ) (2023-03-09T13:42:04Z) - DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle
CT Reconstruction [42.028139152832466]
Limited-Angle Computed Tomography (LACT) は、セキュリティから医療まで様々な用途で使用される非破壊的評価技術である。
DOLCEは、条件付き拡散モデルを画像として用いた、LACTのための新しいディープモデルベースのフレームワークである。
論文 参考訳(メタデータ) (2022-11-22T15:30:38Z) - FewGAN: Generating from the Joint Distribution of a Few Images [95.6635227371479]
本稿では,新しい,高品質で多様な画像を生成するための生成モデルFewGANを紹介する。
FewGANは、第1の粗いスケールで量子化を適用した階層的なパッチGANであり、その後、より微細なスケールで残った完全畳み込みGANのピラミッドが続く。
大規模な実験では、FewGANは定量的にも定性的にも基線より優れていることが示されている。
論文 参考訳(メタデータ) (2022-07-18T07:11:28Z) - Multi-layer Clustering-based Residual Sparsifying Transform for Low-dose
CT Image Reconstruction [11.011268090482575]
本稿では,X線CT(Computerd Tomography)再構成のためのネットワーク構造スペーシング変換学習手法を提案する。
我々は, PWLS (Palalized weighted least squares) 再構成において, MCSTモデルを正規化器に配置することにより低用量CT再構成にMCSTモデルを適用した。
シミュレーションの結果,PWLS-MCSTは従来のFBP法やEP正則化を用いたPWLSよりも画像再構成精度が高いことがわかった。
論文 参考訳(メタデータ) (2022-03-22T09:38:41Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed
Sensing CT [17.168584459606272]
LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。
その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
論文 参考訳(メタデータ) (2020-12-13T07:00:50Z) - Learned Multi-layer Residual Sparsifying Transform Model for Low-dose CT
Reconstruction [11.470070927586017]
スパース変換学習は、高度に効率的なスパースコーディングとオペレータ更新ステップを含む。
本稿では,変換領域残基を層上で共分散したMRST学習モデルを提案する。
論文 参考訳(メタデータ) (2020-05-08T02:36:50Z) - Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。
我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。
我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
論文 参考訳(メタデータ) (2020-04-08T09:07:11Z)
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。