論文の概要: PET Image Reconstruction with Multiple Kernels and Multiple Kernel Space Regularizers

• arxiv url: http://arxiv.org/abs/2103.02813v1
• Date: Thu, 4 Mar 2021 03:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 14:51:07.733981
• Title: PET Image Reconstruction with Multiple Kernels and Multiple Kernel Space Regularizers
• Title（参考訳）: 複数カーネルと複数カーネル空間正規化器を用いたPET画像再構成
• Authors: Shiyao Guo, Yuxia Sheng, Shenpeng Li, Li Chai, Jingxin Zhang
• Abstract要約: 複数のカーネル行列と異なるアプリケーション用に調整可能な複数のカーネル空間正規化器を備えた正規化カーネル型MLEMを提案する。 機械学習におけるマルチカーネルの組み合わせ、スパース符号化における画像辞書学習、グラフ信号処理におけるグラフラプシアンという技術ツールを用いて、新しいアルゴリズムが導出される。
• 参考スコア（独自算出の注目度）: 3.968853026164666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernelized maximum-likelihood (ML) expectation maximization (EM) methods have recently gained prominence in PET image reconstruction, outperforming many previous state-of-the-art methods. But they are not immune to the problems of non-kernelized MLEM methods in potentially large reconstruction error and high sensitivity to iteration number. This paper demonstrates these problems by theoretical reasoning and experiment results, and provides a novel solution to solve these problems. The solution is a regularized kernelized MLEM with multiple kernel matrices and multiple kernel space regularizers that can be tailored for different applications. To reduce the reconstruction error and the sensitivity to iteration number, we present a general class of multi-kernel matrices and two regularizers consisting of kernel image dictionary and kernel image Laplacian quatradic, and use them to derive the single-kernel regularized EM and multi-kernel regularized EM algorithms for PET image reconstruction. These new algorithms are derived using the technical tools of multi-kernel combination in machine learning, image dictionary learning in sparse coding, and graph Laplcian quadratic in graph signal processing. Extensive tests and comparisons on the simulated and in vivo data are presented to validate and evaluate the new algorithms, and demonstrate their superior performance and advantages over the kernelized MLEM and other conventional methods.
• Abstract（参考訳）: Kernelized max-likelihood (ML) 期待最大化 (EM) 法は最近、PET 画像の再構築において注目され、多くの最新の手法を上回っています。 しかし,非カーネル化MLEM法では,潜在的に大規模な再構成誤りや反復数に対する高い感度で問題に対処できない。 本稿では,理論的な推論と実験結果を用いてこれらの問題を実証し,その解法を提案する。 このソリューションは、複数のカーネル行列と異なるアプリケーションに合わせて調整できる複数のカーネルスペース正規化を備えた正規化されたカーネル化されたMLEMです。 再構成誤差と繰り返し数に対する感度を低減するため,カーネル画像辞書とカーネル画像からなる2つの正規化器の一般クラスと,それを用いて,PET画像再構成のための単一カーネル正規化EMとマルチカーネル正規化EMアルゴリズムを導出する。 これらの新しいアルゴリズムは、機械学習におけるマルチカーネルコンビネーション、スパース符号化における画像辞書学習、グラフ信号処理におけるグラフラプルシアン二次的な技術ツールを用いて導かれる。 シミュレーションデータと生体内データの比較実験を行い、新しいアルゴリズムの検証と評価を行い、カーネル化されたMLEMや他の従来の手法よりも優れた性能と利点を示す。

関連論文リスト

• QN-Mixer: A Quasi-Newton MLP-Mixer Model for Sparse-View CT Reconstruction [0.0]
  準ニュートン法に基づくアルゴリズムQN-Mixerを導入する。 Incept-Mixerは非局所正規化用語として機能する効率的なニューラルネットワークである。 我々のアプローチは知的に情報をサンプリングし、計算要求を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-28T00:20:25Z)
• vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
  vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。 データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。 我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-09-18T17:26:22Z)
• Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation [22.437479940607332]
  本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。 提案手法は,既存手法よりも14.24～102.1倍高速に推算できることを示す。
  論文  参考訳（メタデータ） (2022-12-15T15:11:38Z)
• 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)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Neural KEM: A Kernel Method with Deep Coefficient Prior for PET Image Reconstruction [10.619539066260154]
  本稿では,前もって深度係数を用いたカーネル手法の暗黙正則化を提案する。 ニューラルネットワークに基づく最大値再構成問題を解くために、最適化転送の原理を適用し、ニューラルKEMアルゴリズムを導出する。 コンピュータシミュレーションと実際の患者データの結果から、ニューラルKEMは既存のKEMおよびディープイメージ先行法より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-01-05T04:12:38Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• Deep Kernel Representation for Image Reconstruction in PET [9.041102353158065]
  最適化されたカーネルモデルの自動学習を可能にするために,ディープニューラルネットワークを活用するディープカーネル手法を提案する。 コンピュータシミュレーションと実際の患者データセットの結果から,提案したディープカーネル法は既存のカーネル法やニューラルネットワーク法よりも高速で,PET画像の動的再構成が可能であることが示された。
  論文  参考訳（メタデータ） (2021-10-04T03:53:33Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。