論文の概要: CT Reconstruction with PDF: Parameter-Dependent Framework for Multiple Scanning Geometries and Dose Levels

• arxiv url: http://arxiv.org/abs/2010.14350v1
• Date: Tue, 27 Oct 2020 15:05:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 12:51:14.017987
• Title: CT Reconstruction with PDF: Parameter-Dependent Framework for Multiple Scanning Geometries and Dose Levels
• Title（参考訳）: PDFによるCT再構成:マルチスキャン測地と線量レベルのためのパラメータ依存フレームワーク
• Authors: Wenjun Xia, Zexin Lu, Yongqiang Huang, Yan Liu, Hu Chen, Jiliu Zhou, Yi Zhang
• Abstract要約: 複数のスキャンレベルと線量レベルのデータを同時にトレーニングするパラメータ依存フレームワーク(PDF)を提案する。 提案したPDFでは、幾何学と線量レベルがパラメータ化され、2つの多層パーセプトロン(MLP)に供給される。 実験により,提案手法は,特定の幾何学および線量レベルで訓練された元のネットワークと類似した競合する性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 19.76597882835812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current mainstream of CT reconstruction methods based on deep learning usually needs to fix the scanning geometry and dose level, which will significantly aggravate the training cost and need more training data for clinical application. In this paper, we propose a parameter-dependent framework (PDF) which trains data with multiple scanning geometries and dose levels simultaneously. In the proposed PDF, the geometry and dose level are parameterized and fed into two multi-layer perceptrons (MLPs). The MLPs are leveraged to modulate the feature maps of CT reconstruction network, which condition the network outputs on different scanning geometries and dose levels. The experiments show that our proposed method can obtain competing performance similar to the original network trained with specific geometry and dose level, which can efficiently save the extra training cost for multiple scanning geometries and dose levels.
• Abstract（参考訳）: 深層学習に基づくCT再構成手法の主流は、通常、走査幾何学と線量レベルの修正が必要であり、これはトレーニングコストを大幅に増加させ、臨床応用のためのより多くのトレーニングデータを必要とする。 本稿では,複数の走査型ジオメトリと線量レベルを同時にトレーニングするパラメータ依存フレームワーク(PDF)を提案する。 提案するpdfでは、幾何と線量レベルはパラメータ化され、2つの多層パーセプトロン (mlps) に供給される。 MLPはCT再構成ネットワークの特徴マップを変調するために利用され、ネットワークは異なる走査測地と線量レベルで出力する。 実験により,提案手法は,特定の幾何レベルと線量レベルで訓練された元のネットワークと競合する性能を得ることができ,複数の走査型ジオメトリと線量レベルのトレーニングコストを効率的に削減できることを示した。

関連論文リスト

• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Dynamic Layer Tying for Parameter-Efficient Transformers [65.268245109828]
  トレーニング中にレイヤを選択し、それらを結びつけるために強化学習を採用しています。 これにより、重量共有が容易になり、トレーニング可能なパラメータの数を減らし、効果的な正規化技術としても機能する。 特に、トレーニング中のメモリ消費は、従来のトレーニング方法よりも1桁も少ない。
  論文  参考訳（メタデータ） (2024-01-23T14:53:20Z)
• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction [7.04200827802994]
  ファンビームCT再構成の微分定式化は、取得幾何に拡張される。 概念実証実験として、このアイデアは剛性運動補償に適用される。 アルゴリズムはMSEを35.5%削減し、SSIMを12.6%改善する。
  論文  参考訳（メタデータ） (2022-12-05T11:18:52Z)
• 3D helical CT Reconstruction with a Memory Efficient Learned Primal-Dual Architecture [1.3518297878940662]
  本稿では、ドメイン適応型ニューラルネットワークアーキテクチャであるLearned Primal-Dual(LPD)を改良し、この環境での再構築に応用することができる。 フルサイズの臨床データに非ロール型ディープラーニングアーキテクチャを適用したのはこれが初めてである。
  論文  参考訳（メタデータ） (2022-05-24T10:32:32Z)
• 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)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。