Fugu-MT 論文翻訳(概要): Deep Convolutional Neural Network for Low Projection SPECT Imaging Reconstruction

論文の概要: Deep Convolutional Neural Network for Low Projection SPECT Imaging Reconstruction

arxiv url: http://arxiv.org/abs/2108.03897v1
Date: Mon, 9 Aug 2021 09:30:45 GMT
ステータス: 処理完了
システム内更新日: 2021-08-10 23:27:08.385812
Title: Deep Convolutional Neural Network for Low Projection SPECT Imaging Reconstruction
Title（参考訳）: 低射影SPECT画像再構成のための深部畳み込みニューラルネットワーク
Authors: Charalambos Chrysostomou, Loizos Koutsantonis, Christos Lemesios and Costas N. Papanicolas
Abstract要約: SPECT画像の投影回数が少ない新しい断層画像再構成法を提案する。深層畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)が, 新たな再構成手法として採用されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we present a novel method for tomographic image reconstruction in SPECT imaging with a low number of projections. Deep convolutional neural networks (CNN) are employed in the new reconstruction method. Projection data from software phantoms were used to train the CNN network. For evaluation of the efficacy of the proposed method, software phantoms and hardware phantoms based on the FOV SPECT system were used. The resulting tomographic images are compared to those produced by the "Maximum Likelihood Expectation Maximisation" (MLEM).
Abstract（参考訳）: 本稿では,SPECT画像における断層像再構成のための新しい手法を提案する。新しい再構成法では深層畳み込みニューラルネットワーク(cnn)が用いられる。ソフトウェアファントムからの投影データはCNNネットワークのトレーニングに使用された。提案手法の有効性を評価するため,FOV SPECTシステムに基づくソフトウェアファントムとハードウェアファントムを用いた。得られたトモグラフィー画像は、"Maximum Likelihood expectation Maximisation"(MLEM)によって作成されたものと比較される。

関連論文リスト

Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文参考訳（メタデータ） (2022-11-22T06:42:41Z)
Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文参考訳（メタデータ） (2022-04-05T20:28:42Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
論文参考訳（メタデータ） (2021-09-02T17:54:31Z)
Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文参考訳（メタデータ） (2021-09-02T08:07:58Z)
The Application of Convolutional Neural Networks for Tomographic Reconstruction of Hyperspectral Images [0.0]
畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案し,CTIS(Computed Imaging Spectrometer)画像から超スペクトル立方体を再構成する。 CNNは標準的な予測アルゴリズムよりも精度が高く、復元時間が短い。
論文参考訳（メタデータ） (2021-08-30T18:11:08Z)
Holographic image reconstruction with phase recovery and autofocusing using recurrent neural networks [8.040329271747753]
デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
論文参考訳（メタデータ） (2021-02-12T01:51:43Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
SPECT Imaging Reconstruction Method Based on Deep Convolutional Neural Network [0.0]
CNN再構成 - CNNRはSPECT画像の分野でのトモグラフィ再構成の新しい手法である。深層学習手法と深層畳み込みニューラルネットワークが新しい再構築手法に用いられている。
論文参考訳（メタデータ） (2020-10-19T13:11:32Z)
NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文参考訳（メタデータ） (2020-08-26T17:59:36Z)
Momentum-Net for Low-Dose CT Image Reconstruction [13.084578404699172]
本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
論文参考訳（メタデータ） (2020-02-27T10:26:22Z)

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。