論文の概要: A Lightweight Structure Aimed to Utilize Spatial Correlation for
Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2101.07613v1
- Date: Tue, 19 Jan 2021 13:26:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 02:34:06.903300
- Title: A Lightweight Structure Aimed to Utilize Spatial Correlation for
Sparse-View CT Reconstruction
- Title（参考訳）: Sparse-View CT再構成のための空間相関を利用した軽量構造
- Authors: Yitong Liu, Ken Deng, Chang Sun, Hongwen Yang
- Abstract要約: 重度の画像ノイズやストレッチアーティファクトは、低線量プロトコルの主要な問題であることが判明した。
本論文では,現在普及しているアルゴリズムの限界を破るデュアルドメイン深層学習手法を提案する。
提案手法は,40.305のPSNRと0.948のSSIMに到達し,高モデルモビリティを確保しながら,最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 6.8438089867929905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse-view computed tomography (CT) is known as a widely used approach to
reduce radiation dose while accelerating imaging through lowered projection
views and correlated calculations. However, its severe imaging noise and
streaking artifacts turn out to be a major issue in the low dose protocol. In
this paper, we propose a dual-domain deep learning-based method that breaks
through the limitations of currently prevailing algorithms that merely process
single image slices. Since the scanned object usually contains a high degree of
spatial continuity, the obtained consecutive imaging slices embody rich
information that is largely unexplored. Therefore, we establish a cascade model
named LS-AAE which aims to tackle the above problem. In addition, in order to
adapt to the social trend of lightweight medical care, our model adopts the
inverted residual with linear bottleneck in the module design to make it mobile
and lightweight (reduce model parameters to one-eighth of its original) without
sacrificing its performance. In our experiments, sparse sampling is conducted
at intervals of 4{\deg}, 8{\deg} and 16{\deg}, which appears to be a
challenging sparsity that few scholars have attempted before. Nevertheless, our
method still exhibits its robustness and achieves the state-of-the-art
performance by reaching the PSNR of 40.305 and the SSIM of 0.948, while
ensuring high model mobility. Particularly, it still exceeds other current
methods when the sampling rate is one-fourth of them, thereby demonstrating its
remarkable superiority.
- Abstract（参考訳）: Sparse-view Computed Tomography (CT) は放射線線量を減らすために広く用いられている手法として知られている。
しかし、その厳しい画像ノイズとストリーキングアーティファクトは、低線量プロトコルにおいて大きな問題であることが判明した。
本稿では,単一の画像スライスのみを処理するアルゴリズムの限界を破る2領域深層学習に基づく手法を提案する。
走査対象物は通常、高い空間連続性を含むため、得られた連続撮像スライスはほとんど探索されていない豊富な情報を具現化する。
そこで我々はLS-AAEというカスケードモデルを構築し,この問題に対処することを目的とした。
また,軽度医療の社会的傾向に適応するため,本モデルはモジュール設計における線形ボトルネックを伴う逆残差を採用し,その性能を損なうことなく,移動可能かつ軽量に(モデルパラメータを元の8分の1に還元する)。
実験では,4{\deg},8{\deg},16{\deg}の間隔でスパースサンプリングを行った。
しかし,本手法は依然として頑健であり,PSNR 40.305,SSIM 0.948 に到達し,高モデル移動性を確保した。
特に、サンプリングレートが4分の1である場合でも、他の電流法を上回っており、その卓越性が顕著である。
関連論文リスト
- Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
拡散モデルは、大規模な生成画像モデルの分野を支配してきた。
本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。
深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。
本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
論文 参考訳（メタデータ） (2024-09-03T03:06:15Z) - Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。
反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。
その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文 参考訳（メタデータ） (2024-05-27T13:44:53Z) - Neural Graphics Primitives-based Deformable Image Registration for
On-the-fly Motion Extraction [9.599774878892665]
放射線治療における屈折内運動は、通常、変形性画像登録(DIR)を用いてモデル化される
既存の手法は、しばしば速度と精度のバランスをとるのに苦労し、臨床シナリオにおける適用性を制限する。
本研究では、ニューラルネットワークプリミティブ(NGP)を利用して変位ベクトル場(DVF)を最適化する新しいアプローチを提案する。
本手法を4D-CT肺データセットDIR-labで検証し,1.77秒で1.15pm1.15mmの目標登録誤差(TRE)を達成した。
論文 参考訳（メタデータ） (2024-02-08T11:09:27Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
拡散モデルに基づく超解像(SR)法は有望な結果を示す。
しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。
本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2023-11-23T16:21:29Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳（メタデータ） (2022-12-07T13:39:23Z) - MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust
Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。
提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-02T20:25:26Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳（メタデータ） (2021-11-08T02:05:58Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。