論文の概要: Generalizable Limited-Angle CT Reconstruction via Sinogram Extrapolation
- arxiv url: http://arxiv.org/abs/2103.05255v1
- Date: Tue, 9 Mar 2021 06:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 11:30:42.810176
- Title: Generalizable Limited-Angle CT Reconstruction via Sinogram Extrapolation
- Title(参考訳): Sinogram Extrapolation によるCT画像の一般化
- Authors: Ce Wang, Haimiao Zhang, Qian Li, Kun Shang, Yuanyuan Lyu, Bin Dong, S.
Kevin. Zhou
- Abstract要約: シングラム外挿モジュールの導入により,リミテッドアングルCT再構成のためのExtraPolationNetworkを提案する。
我々の再構成モデルは,既存のアプローチと同様,NIH-AAPMデータセット上での最先端性能を実現する。
- 参考スコア(独自算出の注目度): 17.084877038511557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed tomography (CT) reconstruction from X-ray projections acquired
within a limited angle range is challenging, especially when the angle range is
extremely small. Both analytical and iterative models need more projections for
effective modeling. Deep learning methods have gained prevalence due to their
excellent reconstruction performances, but such success is mainly limited
within the same dataset and does not generalize across datasets with different
distributions. Hereby we propose ExtraPolationNetwork for limited-angle CT
reconstruction via the introduction of a sinogram extrapolation module, which
is theoretically justified. The module complements extra sinogram information
and boots model generalizability. Extensive experimental results show that our
reconstruction model achieves state-of-the-art performance on NIH-AAPM dataset,
similar to existing approaches. More importantly, we show that using such a
sinogram extrapolation module significantly improves the generalization
capability of the model on unseen datasets (e.g., COVID-19 and LIDC datasets)
when compared to existing approaches.
- Abstract(参考訳): 限られた角度範囲で得られたX線投影からCTを再構成することは特に角度範囲が極端に小さい場合に困難である。
分析モデルと反復モデルの両方が効果的なモデリングのためにより多くの投影を必要とする。
ディープラーニング手法は、優れた再構成性能のために普及しているが、その成功は主に同じデータセット内で制限されており、異なる分布を持つデータセットをまたいだ一般化はしない。
本稿では, 理論的に正当化されるシンノグラム外挿モジュールの導入により, 有限角度ct再構成のための外挿ネットワークを提案する。
モジュールは余分洞図情報およびブーツのモデル一般化可能性を補足します。
大規模な実験結果から,既存手法と同様,NIH-AAPMデータセット上での最先端性能が得られた。
さらに、このようなシングラム外挿モジュールを使用することで、既存のアプローチと比較して、目に見えないデータセット(例えば、COVID-19やLIDCデータセット)におけるモデルの一般化能力が大幅に向上することを示す。
関連論文リスト
- pix2gestalt: Amodal Segmentation by Synthesizing Wholes [34.45464291259217]
pix2gestaltはゼロショットアモーダルセグメンテーションのためのフレームワークである。
ゼロショットに挑戦する場合には,オブジェクト全体を再構成するための条件拡散モデルを学ぶ。
論文 参考訳(メタデータ) (2024-01-25T18:57:36Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Conditioning Generative Latent Optimization to solve Imaging Inverse
Problems [0.0]
ディープラーニングアプローチは、大規模な教師付きデータセットの恩恵を受け、実験的な測定結果を医療スキャンにマッピングする。
完全に教師なしのテクニック、特にスコアベースの生成モデルの使用は、最近、類似またはより良いパフォーマンスを実証している。
生成遅延最適化フレームワークに対する教師なし条件付きアプローチを提案する。
論文 参考訳(メタデータ) (2023-07-31T13:47:33Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳(メタデータ) (2023-05-24T03:32:03Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。
疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。
スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
論文 参考訳(メタデータ) (2022-11-25T06:49:18Z) - Exposing Shallow Heuristics of Relation Extraction Models with Challenge
Data [49.378860065474875]
我々は、TACREDで訓練されたSOTA関係抽出(RE)モデルの故障モードを同定する。
トレーニングの例として、いくつかの課題データを追加することで、モデルのパフォーマンスが向上する。
論文 参考訳(メタデータ) (2020-10-07T21:17:25Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Hierarchical regularization networks for sparsification based learning
on noisy datasets [0.0]
階層は、連続的により微細なスケールで特定される近似空間から従う。
各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。
その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
論文 参考訳(メタデータ) (2020-06-09T18:32:24Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳(メタデータ) (2020-02-11T11:57:07Z)
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。