論文の概要: Micro CT Image-Assisted Cross Modality Super-Resolution of Clinical CT Images Utilizing Synthesized Training Dataset

• arxiv url: http://arxiv.org/abs/2010.10207v1
• Date: Tue, 20 Oct 2020 11:40:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 06:46:45.039937
• Title: Micro CT Image-Assisted Cross Modality Super-Resolution of Clinical CT Images Utilizing Synthesized Training Dataset
• Title（参考訳）: 合成訓練データセットを用いたマイクロct画像を用いた臨床ct画像のクロスモダリティ超解像
• Authors: Tong Zheng, Hirohisa Oda, Masahiro Oda, Shota Nakamura, Masaki Mori, Hirotsugu Takabatake, Hiroshi Natori, Kensaku Mori
• Abstract要約: 臨床CTの高解像度化は肺癌の診断に有用である。 修正CycleGANによる臨床CT画像のシミュレーションにより, 対応する臨床CT-mu$CTペアを作成する。 SRGANをベースとしたSRネットワークのトレーニングには,CT-$mu$CT画像ペアを用いた。
• 参考スコア（独自算出の注目度）: 1.590436505368218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel, unsupervised super-resolution (SR) approach for performing the SR of a clinical CT into the resolution level of a micro CT ($\mu$CT). The precise non-invasive diagnosis of lung cancer typically utilizes clinical CT data. Due to the resolution limitations of clinical CT (about $0.5 \times 0.5 \times 0.5$ mm$^3$), it is difficult to obtain enough pathological information such as the invasion area at alveoli level. On the other hand, $\mu$CT scanning allows the acquisition of volumes of lung specimens with much higher resolution ($50 \times 50 \times 50 \mu {\rm m}^3$ or higher). Thus, super-resolution of clinical CT volume may be helpful for diagnosis of lung cancer. Typical SR methods require aligned pairs of low-resolution (LR) and high-resolution (HR) images for training. Unfortunately, obtaining paired clinical CT and $\mu$CT volumes of human lung tissues is infeasible. Unsupervised SR methods are required that do not need paired LR and HR images. In this paper, we create corresponding clinical CT-$\mu$CT pairs by simulating clinical CT images from $\mu$CT images by modified CycleGAN. After this, we use simulated clinical CT-$\mu$CT image pairs to train an SR network based on SRGAN. Finally, we use the trained SR network to perform SR of the clinical CT images. We compare our proposed method with another unsupervised SR method for clinical CT images named SR-CycleGAN. Experimental results demonstrate that the proposed method can successfully perform SR of clinical CT images of lung cancer patients with $\mu$CT level resolution, and quantitatively and qualitatively outperformed conventional method (SR-CycleGAN), improving the SSIM (structure similarity) form 0.40 to 0.51.
• Abstract（参考訳）: 本稿では,臨床CTのSRをマイクロCT(\mu$CT)の解像度レベルに変換するための,新しい非教師付き超解像(SR)アプローチを提案する。 肺癌の正確な非侵襲診断は、通常臨床CTデータを利用する。 臨床的CTの解像度の限界(約0.5 \times 0.5 \times 0.5$ mm$^3$)のため,アルベオリレベルの浸潤領域のような十分な病理情報を得ることは困難である。 一方、$\mu$ctスキャンでは、より高解像度の肺検体量(50 \times 50 \times 50 \mu {\rm m}^3$ 以上)を取得することができる。 したがって, 肺がんの診断には, 臨床CTの高解像度化が有用である。 典型的なSR法では、トレーニングには低解像度(LR)と高解像度(HR)の画像の整列対が必要となる。 残念ながら、一対の臨床的ctと$\mu$ctの肺組織を得ることは不可能である。 LRとHRのペア画像を必要としない非教師付きSR法が求められている。 本稿では,CycleGANを改良した$\mu$CT画像から臨床CT画像をシミュレートすることにより,対応する臨床CT-$\mu$CTペアを作成する。 その後, SRGAN に基づく SR ネットワークの訓練に SRGAN を用いた SRGAN を用いた SR-$\mu$CT 画像ペアを用いた。 最後に,訓練されたSRネットワークを用いて臨床CT画像のSRを行う。 提案手法をSR-CycleGANという臨床CT画像の教師なしSR法と比較した。 実験により, 肺がん患者の臨床CT画像のSRを$\mu$CTの解像度で行うことができ, SSIM(構造類似度)を0.40から0.51に改善し, 定量的, 質的に優れる従来法(SR-CycleGAN)が得られた。

関連論文リスト

• 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)
• Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac [0.0]
  MR-LINAC治療のMRIおよびCTスキャンスライスを用いてサイクロGANモデルを訓練し,sCTボリュームを作成した。 ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。
  論文  参考訳（メタデータ） (2023-12-03T04:38:17Z)
• Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
  深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。 これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。 これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。 我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
  論文  参考訳（メタデータ） (2023-07-02T11:09:08Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation [4.3971310109651665]
  現在の臨床実践では、放射線治療中の患者設定にのみ、ノイズとアーティファクトを付加した毎週のコーンビームCT画像が用いられる。 治療計画には, 高画質計画ct (pct) 画像とoars ( organ-at-risk) 構造の手輪郭を用いて, 治療開始時に一度行う。 OAR構造を同時にセグメンテーションしながら毎週CBCT画像の品質を向上させることができれば、放射線治療中の治療適応や治療応答のためのバイオマーカーの抽出に重要な情報を提供することができる。
  論文  参考訳（メタデータ） (2021-03-09T19:51:44Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Super-resolution of clinical CT volumes with modified CycleGAN using micro CT volumes [1.4695026366952046]
  本稿では,臨床CTおよびマイクロCTボリュームのトレーニングデータセットを欠いた超解像(SR)法を提案する。 そこで我々はCycleGANをベースとしたSRアプローチを提案し,臨床CTのSRを$mu$CTレベルにすることができる。 実験の結果,肺がん患者の臨床CT容積のSRを$mu$CTレベルに向上させる方法が得られた。
  論文  参考訳（メタデータ） (2020-04-07T11:12:24Z)
• Multi-modality super-resolution loss for GAN-based super-resolution of clinical CT images using micro CT image database [1.5247645805472543]
  本稿では,GANに基づく超解像のための多モード損失関数を提案する。 臨床CTおよびマイクロCTボリュームの未整備のトレーニングデータセット上で、画像構造と強度を維持することができる。
  論文  参考訳（メタデータ） (2019-12-30T07:49:58Z)

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。