論文の概要: Better Than Ground-truth? Beyond Supervised Learning for Photoacoustic Imaging Reconstruction

• arxiv url: http://arxiv.org/abs/2012.02472v2
• Date: Mon, 21 Dec 2020 01:54:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:52:28.929090
• Title: Better Than Ground-truth? Beyond Supervised Learning for Photoacoustic Imaging Reconstruction
• Title（参考訳）: 地道より優れているか? 光音響画像再構成のための教師あり学習
• Authors: Hengrong Lan, Changchun Yang, Feng Gao, and Fei Gao
• Abstract要約: 光音響計算トモグラフィ(PACT)は、生のPA信号から初期圧力分布を再構成する。 近年,教師付き深層学習は,地底構造を必要とする限定的な視点問題を克服するために用いられている。 本稿では,限定的な視点の問題を補うために,ディープラーニングに基づく外部教師付き再構築フレームワーク(BSR-Net)を提案する。
• 参考スコア（独自算出の注目度）: 4.748104083612737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photoacoustic computed tomography (PACT) reconstructs the initial pressure distribution from raw PA signals. Standard reconstruction always induces artifacts using limited-view signals, which are influenced by limited angle coverage of transducers, finite bandwidth, and uncertain heterogeneous biological tissue. Recently, supervised deep learning has been used to overcome limited-view problem that requires ground-truth. However, even full-view sampling still induces artifacts that cannot be used to train the model. It causes a dilemma that we could not acquire perfect ground-truth in practice. To reduce the dependence on the quality of ground-truth, in this paper, for the first time, we propose a beyond supervised reconstruction framework (BSR-Net) based on deep learning to compensate the limited-view issue by feeding limited-view position-wise data. A quarter position-wise data is fed into model and outputs a group full-view data. Specifically, our method introduces a residual structure, which generates beyond supervised reconstruction result, whose artifacts are drastically reduced in the output compared to ground-truth. Moreover, two novel losses are designed to restrain the artifacts. The numerical and in-vivo results have demonstrated the performance of our method to reconstruct the full-view image without artifacts.
• Abstract（参考訳）: 光音響ct(pact)は生のpa信号から初期圧力分布を再構成する。 標準再構成は、トランスデューサの限られた角度カバレッジ、有限帯域幅、不確実な不均一な生体組織の影響を受け、リミテッドビュー信号を用いてアーティファクトを誘導する。 近年,教師付き深層学習は,地道を要する限定的な視点問題を克服するために用いられている。 しかし、フルビューサンプリングでさえ、モデルをトレーニングするのに使用できないアーティファクトを誘導します。 現実には完璧な地味さを得られないというジレンマを引き起こします。 本稿では,地上構造の品質への依存を軽減するため,深層学習に基づく外部教師付き再構築フレームワーク(BSR-Net)を提案する。 四分の一の位置情報をモデルに入力し、グループフルビューデータを出力する。 具体的には, 残余構造を導入し, 残余構造を教師あり復元結果を超えて生成し, アーティファクトの出力が地中よりも大幅に減少することを示す。 さらに、2つの新たな損失は、アーティファクトを抑制するように設計されている。 数値的,in-vivoな結果から,人工物を用いずにフルビュー画像を再現する手法の性能を実証した。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• BFRFormer: Transformer-based generator for Real-World Blind Face Restoration [37.77996097891398]
  本稿では,トランスフォーマーをベースとしたブラインドフェイス復元手法BFRFormerを提案する。 提案手法は, 合成データセットと実世界の4つのデータセットにおいて, 最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-29T02:31:54Z)
• Reconstruction Distortion of Learned Image Compression with Imperceptible Perturbations [69.25683256447044]
  本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。 我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。 様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
  論文  参考訳（メタデータ） (2023-06-01T20:21:05Z)
• Source-Free Domain Adaptation for Real-world Image Dehazing [10.26945164141663]
  本稿では,SFUDA(Source-Free Unsupervised Domain Adaptation)画像デハージングパラダイムを提案する。 ドメイン表現正規化(DRN)モジュールを考案し、実際のハジードメイン特徴の表現を合成ドメインの表現と一致させる。 プラグアンドプレイのDRNモジュールを使えば、ラベルのない実画像は、既存のよく訓練されたソースネットワークに適応できる。
  論文  参考訳（メタデータ） (2022-07-14T03:37:25Z)
• 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)
• Contrastive Feature Loss for Image Prediction [55.373404869092866]
  教師付き画像合成モデルのトレーニングでは、批評家は2つの画像を比較する必要がある。 本稿では,2つの画像間の類似度を測定するための情報理論に基づくアプローチを提案する。 この定式化により,L1損失の代替として,出力画像の知覚的リアリズムが向上することを示す。
  論文  参考訳（メタデータ） (2021-11-12T20:39:52Z)
• 2-Step Sparse-View CT Reconstruction with a Domain-Specific Perceptual Network [14.577323946585755]
  本稿では,再構成を2段階に分割し,スパースビュートモグラフィのための新しい枠組みを提案する。 中間的な結果は、保存された細部とストリークアーティファクトを高度に縮小したクローズドフォームのトモグラフィー再構成を可能にする。 第2に、復元を訓練したリファインメントネットワークであるprnは、残りのアーティファクトを減らす。
  論文  参考訳（メタデータ） (2020-12-08T21:16:43Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)
• Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency [25.16002539710169]
  本稿では,同じブロックを複数回積み重ねる新しい繰り返し再構成フレームワークを提案する。 本研究では, 再帰的なブロックの中間出力のシングラムと一致するように, リカレント・フレームワークにインターリーブされたシングラム整合層を構築した。 本アルゴリズムは, 狭角化と狭角化の両面において, 既存の最先端のニューラル手法よりも一貫した, 顕著な改善を実現している。
  論文  参考訳（メタデータ） (2020-09-03T16:39:48Z)
• 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)

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。