論文の概要: Scatter Correction in X-ray CT by Physics-Inspired Deep Learning
- arxiv url: http://arxiv.org/abs/2103.11509v1
- Date: Sun, 21 Mar 2021 22:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:08:43.347724
- Title: Scatter Correction in X-ray CT by Physics-Inspired Deep Learning
- Title（参考訳）: 物理学習によるX線CTの散乱補正
- Authors: Berk Iskender, Yoram Bresler
- Abstract要約: X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。
散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。
本研究では,PhILSCATとOV-PhILSCATの2種類の深層学習法を提案する。
- 参考スコア（独自算出の注目度）: 26.549671705231145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A fundamental problem in X-ray Computed Tomography (CT) is the scatter due to
interaction of photons with the imaged object. Unless corrected, scatter
manifests itself as degradations in the reconstructions in the form of various
artifacts. Scatter correction is therefore critical for reconstruction quality.
Scatter correction methods can be divided into two categories: hardware-based;
and software-based. Despite success in specific settings, hardware-based
methods require modification in the hardware, or increase in the scan time or
dose. This makes software-based methods attractive. In this context,
Monte-Carlo based scatter estimation, analytical-numerical, and kernel-based
methods were developed. Furthermore, data-driven approaches to tackle this
problem were recently demonstrated. In this work, two novel physics-inspired
deep-learning-based methods, PhILSCAT and OV-PhILSCAT, are proposed. The
methods estimate and correct for the scatter in the acquired projection
measurements. They incorporate both an initial reconstruction of the object of
interest and the scatter-corrupted measurements related to it. They use a
common deep neural network architecture and cost function, both tailored to the
problem. Numerical experiments with data obtained by Monte-Carlo simulations of
the imaging of phantoms reveal significant improvement over a recent purely
projection-domain deep neural network scatter correction method.
- Abstract（参考訳）: X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。
修正されない限り、散乱は様々なアーティファクトの形での復元の劣化としてそれ自体を表わす。
したがって、散乱補正は再構成品質に不可欠である。
散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。
特定の設定で成功したにもかかわらず、ハードウェアベースの方法はハードウェアの変更やスキャン時間や線量の増加を必要とする。
これにより、ソフトウェアベースのメソッドが魅力的になる。
この文脈では、モンテカルロに基づく散乱推定、解析的数値法およびカーネルに基づく手法が開発された。
さらに、この問題に対処するためのデータ駆動アプローチも最近実証された。
本研究では,PhILSCAT と OV-PhILSCAT という,物理に着想を得た新しい深層学習手法を提案する。
提案手法は, 得られた予測値の散乱を推定し, 補正する。
彼らは興味の対象の初期の再構築とそれに関連する散乱崩壊測定の両方を取り入れている。
彼らは共通のディープニューラルネットワークアーキテクチャとコスト関数を使用し、どちらも問題に合わせている。
ファントム画像のモンテカルロシミュレーションにより得られたデータを用いた数値実験により、最近の純射影領域深部ニューラルネットワーク散乱補正法よりも大幅に改善された。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Geometric Constraints Enable Self-Supervised Sinogram Inpainting in
Sparse-View Tomography [7.416898042520079]
スパース角度トモグラフィースキャンは放射線を低減し、データ取得を加速するが、画像のアーチファクトやノイズに悩まされる。
既存の画像処理アルゴリズムはCT再構成の品質を復元することができるが、大きなトレーニングデータセットを必要とする場合が多い。
本研究は、勾配に基づく最適化により、欠落した射影ビューを最適化する自己教師付きプロジェクションインペインティング法を提案する。
論文 参考訳（メタデータ） (2023-02-13T15:15:18Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - 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) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z) - 3D Scattering Tomography by Deep Learning with Architecture Tailored to
Cloud Fields [12.139158398361866]
本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。
また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2020-12-10T20:31:44Z) - 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) - A novel deep learning-based method for monochromatic image synthesis
from spectral CT using photon-counting detectors [7.190103828139802]
シングラム領域で動作する深層学習に基づく単色画像合成法を提案する。
本手法は,PCDを装着したコーンビームCT(CBCT)システムを用いて検討した。
論文 参考訳（メタデータ） (2020-07-20T03:44:57Z) - X-ray Photon-Counting Data Correction through Deep Learning [3.535670189300134]
深層ニューラルネットワークを用いたPCDデータ補正手法を提案する。
本研究ではまず,電荷分割とパルス蓄積効果を取り入れた完全シミュレーションモデルを構築した。
シミュレーションされたPCDデータと地上の真理のデータは、PCDデータ修正のために特別に設計されたディープ・敵ネットワークに送られる。
論文 参考訳（メタデータ） (2020-07-06T23:29:16Z) - 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)
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。