論文の概要: SPECT Imaging Reconstruction Method Based on Deep Convolutional Neural
Network
- arxiv url: http://arxiv.org/abs/2010.09472v1
- Date: Mon, 19 Oct 2020 13:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:08:37.527560
- Title: SPECT Imaging Reconstruction Method Based on Deep Convolutional Neural
Network
- Title(参考訳): 深部畳み込みニューラルネットワークを用いたSPECT画像再構成法
- Authors: Charalambos Chrysostomou, Loizos Koutsantonis, Christos Lemesios,
Costas N. Papanicolas
- Abstract要約: CNN再構成 - CNNRはSPECT画像の分野でのトモグラフィ再構成の新しい手法である。
深層学習手法と深層畳み込みニューラルネットワークが新しい再構築手法に用いられている。
- 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: In this paper, we explore a novel method for tomographic image reconstruction
in the field of SPECT imaging. Deep Learning methodologies and more
specifically deep convolutional neural networks (CNN) are employed in the new
reconstruction method, which is referred to as "CNN Reconstruction - CNNR". For
training of the CNNR Projection data from software phantoms were used. For
evaluation of the efficacy of the CNNR method, both software and hardware
phantoms were used. The resulting tomographic images are compared to those
produced by filtered back projection (FBP) [1], the "Maximum Likelihood
Expectation Maximization" (MLEM) [1] and ordered subset expectation
maximization (OSEM) [2].
- Abstract(参考訳): 本稿では,spect画像の分野における新しい断層画像再構成法について検討する。
深層学習手法や特に深層畳み込みニューラルネットワーク(cnn)が新しい再構成法として採用され、「cnn reconstruction - cnnr」と呼ばれている。
ソフトウェアファントムからのCNNRプロジェクションデータのトレーニングに使用された。
CNNR法の有効性を評価するために,ソフトウェアファントムとハードウェアファントムの両方を使用した。
得られたトモグラフィー画像は、フィルタバックプロジェクション(FBP)[1]、"Maximum Likelihood expectation Maximization"(MLEM)[1]および順序付きサブセット期待最大化(OSEM)[2]によって生成された画像と比較される。
関連論文リスト
- Convolutional Analysis Operator Learning by End-To-End Training of
Iterative Neural Networks [3.6280929178575994]
本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。
我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
論文 参考訳(メタデータ) (2022-03-04T07:32:16Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor
Multi-view Stereo [97.07453889070574]
本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。
提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-09-02T17:54:31Z) - Direct PET Image Reconstruction Incorporating Deep Image Prior and a
Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。
深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。
提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文 参考訳(メタデータ) (2021-09-02T08:07:58Z) - The Application of Convolutional Neural Networks for Tomographic
Reconstruction of Hyperspectral Images [0.0]
畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案し,CTIS(Computed Imaging Spectrometer)画像から超スペクトル立方体を再構成する。
CNNは標準的な予測アルゴリズムよりも精度が高く、復元時間が短い。
論文 参考訳(メタデータ) (2021-08-30T18:11:08Z) - Deep Convolutional Neural Network for Low Projection SPECT Imaging
Reconstruction [0.0]
SPECT画像の投影回数が少ない新しい断層画像再構成法を提案する。
深層畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)が, 新たな再構成手法として採用されている。
論文 参考訳(メタデータ) (2021-08-09T09:30:45Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-04T08:52:46Z) - 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) - Cascaded Deep Video Deblurring Using Temporal Sharpness Prior [88.98348546566675]
提案アルゴリズムは主に,中間潜水フレームと潜水フレームの復元ステップから光フローを推定する。
まず、中間潜伏フレームから光フローを推定し、推定した光フローに基づいて潜伏フレームを復元する深部CNNモデルを開発する。
ビデオデブロアリングのドメイン知識を探索することで、深層CNNモデルをよりコンパクトで効率的なものにすることができることを示す。
論文 参考訳(メタデータ) (2020-04-06T09:13:49Z) - Momentum-Net for Low-Dose CT Image Reconstruction [13.084578404699172]
本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。
提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。
また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
論文 参考訳(メタデータ) (2020-02-27T10:26:22Z)
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。