論文の概要: High-quality Low-dose CT Reconstruction Using Convolutional Neural
Networks with Spatial and Channel Squeeze and Excitation
- arxiv url: http://arxiv.org/abs/2104.00325v1
- Date: Thu, 1 Apr 2021 08:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:26:44.252630
- Title: High-quality Low-dose CT Reconstruction Using Convolutional Neural
Networks with Spatial and Channel Squeeze and Excitation
- Title(参考訳): 畳み込みニューラルネットワークを用いた高画質低線量CT再構成
- Authors: Jingfeng Lu, Shuo Wang, Ping Li, Dong Ye
- Abstract要約: 低線量CT(Low-dose Computed Tomography)によるCT画像再構成のための高品質画像ネットワーク(HQINET)を提案する。
HQINETは畳み込みエンコーダ-デコーダアーキテクチャであり、エンコーダを使用して3つの連続スライスから空間的および時間的情報を抽出した。
- 参考スコア(独自算出の注目度): 15.05273611411106
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Low-dose computed tomography (CT) allows the reduction of radiation risk in
clinical applications at the expense of image quality, which deteriorates the
diagnosis accuracy of radiologists. In this work, we present a High-Quality
Imaging network (HQINet) for the CT image reconstruction from Low-dose computed
tomography (CT) acquisitions. HQINet was a convolutional encoder-decoder
architecture, where the encoder was used to extract spatial and temporal
information from three contiguous slices while the decoder was used to recover
the spacial information of the middle slice. We provide experimental results on
the real projection data from low-dose CT Image and Projection Data
(LDCT-and-Projection-data), demonstrating that the proposed approach yielded a
notable improvement of the performance in terms of image quality, with a rise
of 5.5dB in terms of peak signal-to-noise ratio (PSNR) and 0.29 in terms of
mutual information (MI).
- Abstract(参考訳): 低線量CTは、画像品質を犠牲にして臨床応用における放射線リスクの低減を可能にし、放射線医の診断精度を低下させる。
本研究では,低線量CTによるCT画像再構成のための高画質イメージングネットワーク(HQINet)を提案する。
hqinetは畳み込みエンコーダ-デコーダアーキテクチャであり、エンコーダは3つの連続したスライスから空間情報と時間情報を抽出し、デコーダは中間スライスの空間情報を復元するために用いられた。
我々は,低線量CT画像と投影データ(LDCT-and-Projection-data)の実際の投影データについて実験を行い,提案手法が画像品質において顕著に向上し,ピーク信号対雑音比(PSNR)では5.5dB,相互情報(MI)では0.29となったことを示す。
関連論文リスト
- 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) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-01T10:09:01Z) - SdCT-GAN: Reconstructing CT from Biplanar X-Rays with Self-driven
Generative Adversarial Networks [6.624839896733912]
本稿では,3次元CT画像の再構成のための自己駆動型生成対向ネットワークモデル(SdCT-GAN)を提案する。
識別器に新しいオートエンコーダ構造を導入することにより、画像の詳細により多くの注意を払っている。
LPIPS評価基準は,既存画像よりも微細な輪郭やテクスチャを定量的に評価できる。
論文 参考訳(メタデータ) (2023-09-10T08:16:02Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT
Setting [6.450514665591633]
低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。
本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
論文 参考訳(メタデータ) (2022-11-02T13:37:59Z) - A Lightweight Dual-Domain Attention Framework for Sparse-View CT
Reconstruction [6.553233856627479]
我々はCAGANと呼ばれる新しい軽量ネットワークを設計し、並列ビームスパースCTのための二重領域再構成パイプラインを提案する。
Shuffle Blocksの適用により、パフォーマンスを犠牲にすることなく、パラメータを4分の1削減できる。
実験の結果、CAGANはモデルの複雑さとパフォーマンスのバランスが良く、私たちのパイプラインはDD-NetとDuDoNetより優れています。
論文 参考訳(メタデータ) (2022-02-19T14:04:59Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳(メタデータ) (2021-12-23T19:20:38Z) - A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT
Source Trajectories for Artifact Avoidance [47.345403652324514]
市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。
そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。
リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
論文 参考訳(メタデータ) (2020-08-14T09:23:50Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - 4D Spatio-Temporal Convolutional Networks for Object Position Estimation
in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。
我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文 参考訳(メタデータ) (2020-07-02T12:02:20Z)
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。