論文の概要: Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning
- arxiv url: http://arxiv.org/abs/2109.13483v1
- Date: Tue, 28 Sep 2021 04:40:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:50:31.368584
- Title: Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning
- Title（参考訳）: 自己教師型クロスドメイン学習による2次元CT画像の金属アーチファクト低減
- Authors: Lequan Yu, Zhicheng Zhang, Xiaomeng Li, Hongyi Ren, Wei Zhao, and Lei
Xing
- Abstract要約: 金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。
我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。
次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
- 参考スコア（独自算出の注目度）: 30.977044473457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The presence of metallic implants often introduces severe metal artifacts in
the X-ray CT images, which could adversely influence clinical diagnosis or dose
calculation in radiation therapy. In this work, we present a novel
deep-learning-based approach for metal artifact reduction (MAR). In order to
alleviate the need for anatomically identical CT image pairs (i.e., metal
artifact-corrupted CT image and metal artifact-free CT image) for network
learning, we propose a self-supervised cross-domain learning framework.
Specifically, we train a neural network to restore the metal trace region
values in the given metal-free sinogram, where the metal trace is identified by
the forward projection of metal masks. We then design a novel FBP
reconstruction loss to encourage the network to generate more perfect
completion results and a residual-learning-based image refinement module to
reduce the secondary artifacts in the reconstructed CT images. To preserve the
fine structure details and fidelity of the final MAR image, instead of directly
adopting CNN-refined images as output, we incorporate the metal trace
replacement into our framework and replace the metal-affected projections of
the original sinogram with the prior sinogram generated by the forward
projection of the CNN output. We then use the filtered backward projection
(FBP) algorithms for final MAR image reconstruction. We conduct an extensive
evaluation on simulated and real artifact data to show the effectiveness of our
design. Our method produces superior MAR results and outperforms other
compelling methods. We also demonstrate the potential of our framework for
other organ sites.
- Abstract（参考訳）: 金属インプラントの存在は、放射線治療における臨床診断や線量計算に悪影響を及ぼす可能性があるX線CT画像に重金属アーティファクトをもたらすことが多い。
本研究では,金属アーチファクトリダクション(MAR)の新たな深層学習手法を提案する。
ネットワーク学習における解剖学的に同一のCT画像ペア(金属破砕CT画像と金属破砕CT画像)の必要性を軽減するために,自己教師型クロスドメイン学習フレームワークを提案する。
具体的には、ニューラルネットワークを訓練して、与えられた金属フリーシンノグラムの金属トレース領域値を復元し、金属トレースを金属マスクの前方投影によって識別する。
次に,新たなfbp再構成損失をデザインし,ネットワークがより完全な完成結果を生成するよう促すとともに,復元ct画像における二次的アーティファクトを削減するための残学習ベースの画像改良モジュールを考案した。
CNN画像を直接出力として採用する代わりに、最終的なMAR画像の微細構造の詳細と忠実さを保ちながら、我々のフレームワークに金属トレースの代替品を組み込んで、CNN出力の前方投影によって生成された元のシングラムの金属影響投影に置き換える。
次に、最終的なMAR画像再構成にFBPアルゴリズムを用いる。
シミュレーションおよび実アーティファクトデータを広範囲に評価し、設計の有効性を示す。
提案手法は優れたMAR結果を生成し,他の魅力的な手法よりも優れる。
また,他の臓器部位に対する枠組みの可能性を示す。
関連論文リスト
- MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳（メタデータ） (2023-11-16T06:02:03Z) - 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) - Unsupervised Polychromatic Neural Representation for CT Metal Artifact
Reduction [48.1445005916672]
人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。
私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2023-06-27T04:50:58Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Metal artifact correction in cone beam computed tomography using
synthetic X-ray data [0.0]
解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。
1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。
比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
論文 参考訳（メタデータ） (2022-08-17T13:31:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal
Artifact Reduction [15.225899631788973]
金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。
CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。
MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
論文 参考訳（メタデータ） (2021-02-16T08:09:16Z) - Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images [29.019325663195627]
CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。
本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-16T04:43:35Z) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳（メタデータ） (2020-01-02T06:39:06Z)
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。