論文の概要: A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction

• arxiv url: http://arxiv.org/abs/2105.11692v1
• Date: Tue, 25 May 2021 06:20:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 14:18:53.781451
• Title: A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction
• Title（参考訳）: 超スパース3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワーク
• Authors: Liyue Shen, Wei Zhao, Dante Capaldi, John Pauly, Lei Xing
• Abstract要約: 超疎3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワークを構築した。 本研究は,3次元CT画像の高精細化を実現するために,既知の先行画像のシームレスな包摂が不可欠であることを実証する。
• 参考スコア（独自算出の注目度）: 13.44786774177579
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning affords enormous opportunities to augment the armamentarium of biomedical imaging, albeit its design and implementation have potential flaws. Fundamentally, most deep learning models are driven entirely by data without consideration of any prior knowledge, which dramatically increases the complexity of neural networks and limits the application scope and model generalizability. Here we establish a geometry-informed deep learning framework for ultra-sparse 3D tomographic image reconstruction. We introduce a novel mechanism for integrating geometric priors of the imaging system. We demonstrate that the seamless inclusion of known priors is essential to enhance the performance of 3D volumetric computed tomography imaging with ultra-sparse sampling. The study opens new avenues for data-driven biomedical imaging and promises to provide substantially improved imaging tools for various clinical imaging and image-guided interventions.
• Abstract（参考訳）: 深層学習は、バイオメディカルイメージングの薬局を増強する膨大な機会を与えるが、その設計と実装には潜在的な欠陥がある。 基本的に、ほとんどのディープラーニングモデルは、事前の知識を考慮せずにデータによって完全に駆動されるため、ニューラルネットワークの複雑性が劇的に増大し、アプリケーションスコープとモデルの一般化性が制限される。 そこで我々は,超疎3次元断層画像再構成のための幾何学インフォームドディープラーニングフレームワークを構築した。 画像システムの幾何的先行を統合化するための新しいメカニズムを提案する。 超スパースサンプリングによる3次元容積CT画像撮影の性能向上には,既知前処理のシームレスな包摂が不可欠であることを示す。 この研究は、データ駆動型バイオメディカルイメージングの新しい道を開き、様々な臨床画像および画像誘導介入に対して、大幅に改善されたイメージングツールを提供することを約束している。

関連論文リスト

• TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography [3.1209855614927275]
  従来の解析的・定性的なCT再構成アルゴリズムは数百の角データサンプリングを必要とする。 我々は,高品質な3Dボリュームを再構成するために,ユニークなX線輸送物理を取り入れた新しいTtomoGRAFフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-12T20:07:59Z)
• μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
  X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:29:08Z)
• High-fidelity Endoscopic Image Synthesis by Utilizing Depth-guided Neural Surfaces [18.948630080040576]
  内視鏡画像に適用したNeuSを1フレームの深度マップで補足した新しい大腸部分再建法を提案する。 本手法は, 大腸切片を完全にレンダリングし, 表面の見えない部分を捕捉する際の異常な精度を示す。 このブレークスルーは、安定的で一貫してスケールされた再建を達成するための道を開き、がんスクリーニングの手順と治療介入の質を高めることを約束する。
  論文  参考訳（メタデータ） (2024-04-20T18:06:26Z)
• MELAGE: A purely python based Neuroimaging software (Neonatal) [1.3654846342364308]
  先駆的なPythonベースのニューロイメージングソフトウェアであるMELAGEは、医療画像の可視化、処理、分析のための汎用ツールとして登場した。 MELAGEは当初、新生児期に3D超音波とMRIの脳画像を処理するというユニークな課題に対処するために考案され、顕著な適応性を示した。
  論文  参考訳（メタデータ） (2023-09-12T19:54:35Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)
• Physics-assisted Generative Adversarial Network for X-Ray Tomography [2.589958357631341]
  深層学習が トモグラフィーの再構築に 使われています。 本研究では,トモグラフィ再構成のための物理支援ジェネレーターネットワーク(PGAN)を開発した。
  論文  参考訳（メタデータ） (2022-04-07T19:21:39Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。