論文の概要: LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed
Sensing CT
- arxiv url: http://arxiv.org/abs/2012.06983v1
- Date: Sun, 13 Dec 2020 07:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-09 19:05:41.250115
- Title: LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed
Sensing CT
- Title(参考訳): LEARN++:圧縮CTのための繰り返しデュアルドメイン再構成ネットワーク
- Authors: Yi Zhang, Hu Chen, Wenjun Xia, Yang Chen, Baodong Liu, Yan Liu,
Huaiqiang Sun, and Jiliu Zhou
- Abstract要約: LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。
その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
- 参考スコア(独自算出の注目度): 17.168584459606272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compressed sensing (CS) computed tomography has been proven to be important
for several clinical applications, such as sparse-view computed tomography
(CT), digital tomosynthesis and interior tomography. Traditional compressed
sensing focuses on the design of handcrafted prior regularizers, which are
usually image-dependent and time-consuming. Inspired by recently proposed deep
learning-based CT reconstruction models, we extend the state-of-the-art LEARN
model to a dual-domain version, dubbed LEARN++. Different from existing
iteration unrolling methods, which only involve projection data in the data
consistency layer, the proposed LEARN++ model integrates two parallel and
interactive subnetworks to perform image restoration and sinogram inpainting
operations on both the image and projection domains simultaneously, which can
fully explore the latent relations between projection data and reconstructed
images. The experimental results demonstrate that the proposed LEARN++ model
achieves competitive qualitative and quantitative results compared to several
state-of-the-art methods in terms of both artifact reduction and detail
preservation.
- Abstract(参考訳): 圧縮センシング (CS) CTは, スパース・ビュー・コンピュート・トモグラフィー (CT) やデジタルトモシンセシス, インテリア・トモグラフィーなどの臨床応用において重要であることが証明されている。
従来の圧縮センシングは、通常画像に依存し、時間を要する手作りの事前正規化器の設計に焦点を当てている。
最近提案されたディープラーニングベースのct再構成モデルに触発されて、最先端の学習モデルをlearn++と呼ばれるデュアルドメインバージョンに拡張した。
データ一貫性層におけるプロジェクションデータのみを含む既存の反復アンロール法とは異なり、提案したLEARN++モデルは2つの並列かつインタラクティブなサブネットを統合し、画像とプロジェクション領域の両方で画像復元とシングラムのインペイント操作を同時に行う。
実験結果から,提案したLEARN++モデルは,アーティファクトの削減と詳細保存の両面から,最先端の手法と比較して,質的かつ定量的な結果が得られることが示された。
関連論文リスト
- Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and
Unsupervised Learning [13.17680480211064]
X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。
提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。
限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
論文 参考訳(メタデータ) (2023-11-19T20:23:59Z) - APRF: Anti-Aliasing Projection Representation Field for Inverse Problem
in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。
近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。
自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)-
APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文 参考訳(メタデータ) (2023-07-11T14:04:12Z) - MindDiffuser: Controlled Image Reconstruction from Human Brain Activity
with Semantic and Structural Diffusion [8.299415606889024]
我々はMindDiffuserと呼ばれる2段階の画像再構成モデルを提案する。
ステージ1では、fMRIからデコードされたVQ-VAE潜在表現とCLIPテキスト埋め込みが、安定拡散のイメージ・ツー・イメージのプロセスに置かれる。
ステージ2では、fMRIからデコードされた低レベルCLIP視覚特徴を監視情報として利用する。
論文 参考訳(メタデータ) (2023-03-24T16:41:42Z) - Self-Supervised Coordinate Projection Network for Sparse-View Computed
Tomography [31.774432128324385]
本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。
暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
論文 参考訳(メタデータ) (2022-09-12T06:14:04Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳(メタデータ) (2022-08-05T19:05:16Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - 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) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。