Fugu-MT 論文翻訳(概要): High-quality Low-dose CT Reconstruction Using Convolutional Neural Networks with Spatial and Channel Squeeze and Excitation

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

CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文参考訳（メタデータ） (2024-06-21T08:38:30Z)
Application of Gated Recurrent Units for CT Trajectory Optimization [3.4916237834391874]
本稿では, Gated Recurrent Units (GRUs) を用いたCTスキャントラジェクトリの最適化手法を提案する。我々はコーンビームCTに焦点をあて、吸収、画素強度、コントラスト・ツー・ノイズ比、データの完全性など、プロジェクションに基づくいくつかの指標を用いている。その結果,GRU最適化スキャントラジェクトリは,画像品質の指標から従来の円形CTトラジェクトリよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-05-15T13:33:23Z)
Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文参考訳（メタデータ） (2024-03-19T00:07:48Z)
WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文参考訳（メタデータ） (2024-03-18T11:20:11Z)
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)
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)
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)
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)

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。