論文の概要: On hallucinations in tomographic image reconstruction

• arxiv url: http://arxiv.org/abs/2012.00646v2
• Date: Thu, 1 Apr 2021 16:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 19:29:38.070947
• Title: On hallucinations in tomographic image reconstruction
• Title（参考訳）: 断層画像再構成における幻覚について
• Authors: Sayantan Bhadra, Varun A. Kelkar, Frank J. Brooks and Mark A. Anastasio
• Abstract要約: 不正確な事前は、再建された画像に偽構造が幻覚される可能性がある。 深部ニューラルネットワークは画像再構成問題を正規化するために活発に研究されている。
• 参考スコア（独自算出の注目度）: 3.486901561986149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tomographic image reconstruction is generally an ill-posed linear inverse problem. Such ill-posed inverse problems are typically regularized using prior knowledge of the sought-after object property. Recently, deep neural networks have been actively investigated for regularizing image reconstruction problems by learning a prior for the object properties from training images. However, an analysis of the prior information learned by these deep networks and their ability to generalize to data that may lie outside the training distribution is still being explored. An inaccurate prior might lead to false structures being hallucinated in the reconstructed image and that is a cause for serious concern in medical imaging. In this work, we propose to illustrate the effect of the prior imposed by a reconstruction method by decomposing the image estimate into generalized measurement and null components. The concept of a hallucination map is introduced for the general purpose of understanding the effect of the prior in regularized reconstruction methods. Numerical studies are conducted corresponding to a stylized tomographic imaging modality. The behavior of different reconstruction methods under the proposed formalism is discussed with the help of the numerical studies.
• Abstract（参考訳）: 断層画像再構成は一般に線状逆問題である。 このような不適切な逆問題は通常、後続のオブジェクトプロパティの事前知識を使って正規化される。 近年,トレーニング画像から被写体特性の事前学習を行い,画像再構成問題の正則化のために深層ニューラルネットワークが積極的に研究されている。 しかし、これらの深層ネットワークが学習した事前情報の分析と、トレーニング分布の外にある可能性のあるデータに一般化する能力はまだ検討中である。 不正確な先行は、再構成された画像に偽構造が幻覚され、医療画像の深刻な懸念の原因となる可能性がある。 本研究では,画像推定を一般化された測定値とヌル成分に分解することで,再構成手法により事前に課された効果を説明する。 幻覚マップの概念は、正規化再建法における事前の効果を理解するための一般的な目的のために導入された。 数値解析はスタイリングトモグラフィー画像のモダリティに対応して行われる。 提案手法では, 異なる復元手法の挙動を数値研究の助けを借りて検討する。

関連論文リスト

• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Prior image-based medical image reconstruction using a style-based generative adversarial network [15.757204774959366]
  本研究では,画像再構成問題に制約を与えるために,スタイルベースの生成逆ネットワーク(StyleGAN)を提案する。 最適化問題はStyleGANの中間潜時空間で定式化され、意味のある画像属性に対してアンタングル化される。 MRイメージングにインスパイアされたスタイリングされた数値研究は、追尾と先行画像が構造的に類似しているように設計されている。
  論文  参考訳（メタデータ） (2022-02-17T23:28:10Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• 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)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• 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)
• Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images [42.700275429734205]
  網膜画像における異常検出は、網膜疾患や疾患によって引き起こされる異常の同定を指す。 本稿では,画像テクスチャと構造の関係を利用して,異常検出のためのディープニューラルネットワークの設計を提案する。
  論文  参考訳（メタデータ） (2020-08-09T02:59:33Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks [12.288269320420486]
  不完全な医用画像データから高忠実度画像を再構成するために,画像適応型GANベースの再構成手法を適用した。 IAGAN法は, 診断に関連があるものの, 従来のスポーシティ・プロモーティング・レギュラー化による再建では過度に再現される可能性があると考えられる。
  論文  参考訳（メタデータ） (2020-01-27T23:39:47Z)

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。