論文の概要: Robustness Investigation on Deep Learning CT Reconstruction for
Real-Time Dose Optimization
- arxiv url: http://arxiv.org/abs/2012.03579v1
- Date: Mon, 7 Dec 2020 10:55:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 01:38:46.287997
- Title: Robustness Investigation on Deep Learning CT Reconstruction for
Real-Time Dose Optimization
- Title(参考訳): リアルタイム線量最適化のためのディープラーニングct再構成のロバスト性の検討
- Authors: Chang Liu, Yixing Huang, Joscha Maier, Laura Klein, Marc
Kachelrie{\ss}, Andreas Maier
- Abstract要約: 線量最適化のための臓器形状を推定するには、予備CT再建が必要です。
本研究では,このようなアプリケーションにおける多様体近似(AUTOMAP)による自動変換の性能を検討する。
2つのプロジェクションまたは4つのプロジェクションから直接画像再構築のためのAUTOMAPモデルをトレーニングします。
テスト画像は平均根平均二乗誤差290huに達する。
- 参考スコア(独自算出の注目度): 8.036721491921218
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In computed tomography (CT), automatic exposure control (AEC) is frequently
used to reduce radiation dose exposure to patients. For organ-specific AEC, a
preliminary CT reconstruction is necessary to estimate organ shapes for dose
optimization, where only a few projections are allowed for real-time
reconstruction. In this work, we investigate the performance of automated
transform by manifold approximation (AUTOMAP) in such applications. For proof
of concept, we investigate its performance on the MNIST dataset first, where
the dataset containing all the 10 digits are randomly split into a training set
and a test set. We train the AUTOMAP model for image reconstruction from 2
projections or 4 projections directly. The test results demonstrate that
AUTOMAP is able to reconstruct most digits well with a false rate of 1.6% and
6.8% respectively. In our subsequent experiment, the MNIST dataset is split in
a way that the training set contains 9 digits only while the test set contains
the excluded digit only, for instance "2". In the test results, the digit "2"s
are falsely predicted as "3" or "5" when using 2 projections for
reconstruction, reaching a false rate of 94.4%. For the application in medical
images, AUTOMAP is also trained on patients' CT images. The test images reach
an average root-mean-square error of 290 HU. Although the coarse body outlines
are well reconstructed, some organs are misshaped.
- Abstract(参考訳): CTでは、患者への放射線照射を減らすために自動被曝制御(AEC)が頻繁に用いられる。
臓器特異的aecでは,線量最適化のための臓器形状の推定には予備的ct再構成が必要である。
本研究では,多様体近似(AUTOMAP)による自動変換の性能について検討する。
概念実証のために、まずMNISTデータセットの性能を検証し、10桁を含むデータセットをランダムにトレーニングセットとテストセットに分割する。
2つのプロジェクションまたは4つのプロジェクションから直接画像再構成するために、AUTOMAPモデルを訓練する。
テストの結果、AUTOMAPは、それぞれ1.6%と6.8%の偽率で、ほとんどの桁をよく再構築できることを示した。
続く実験では、MNISTデータセットは、例えば「2」のように、テストセットが除外された桁のみを含む間のみ、トレーニングセットが9桁を含むように分割される。
試験結果では、再建に2つの投影を用いた場合、桁「2」を「3」または「5」と誤予測し、虚偽率94.4%に達する。
医用画像に応用するために、AUTOMAPは患者のCT画像でも訓練されている。
テスト画像は平均根平均二乗誤差290huに達する。
粗い体の輪郭はよく再建されているが、一部の臓器は誤造されている。
関連論文リスト
- AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
CTは産業用非破壊検査や診断において重要な役割を担っている。
スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。
本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
論文 参考訳(メタデータ) (2024-09-11T10:34:41Z) - Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。
アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文 参考訳(メタデータ) (2023-07-07T18:57:21Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - CNN Based Segmentation of Infarcted Regions in Acute Cerebral Stroke
Patients From Computed Tomography Perfusion Imaging [2.1626699124055504]
血栓溶解療法は脳損傷を軽減できるが、治療窓は狭い。
Computed To Perfusion Imagingは、脳卒中患者の一般的な一次評価ツールです。
完全自動化された4次元畳み込みニューラルネットワークに基づくセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2021-04-07T09:09:13Z) - Dopamine Transporter SPECT Image Classification for Neurodegenerative
Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。
N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。
この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
論文 参考訳(メタデータ) (2021-04-06T06:30:15Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳(メタデータ) (2020-11-14T12:50:32Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z) - 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) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳(メタデータ) (2020-01-23T15:20:22Z)
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。