論文の概要: A Data-Driven Reconstruction Technique based on Newton's Method for Emission Tomography

• arxiv url: http://arxiv.org/abs/2110.11396v1
• Date: Tue, 19 Oct 2021 14:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 08:51:23.634321
• Title: A Data-Driven Reconstruction Technique based on Newton's Method for Emission Tomography
• Title（参考訳）: 放射トモグラフィにおけるニュートン法に基づくデータ駆動型再構成法
• Authors: Loizos Koutsantonis, Tiago Carneiro, Emmanuel Kieffer, Frederic Pinel, Pascal Bouvry
• Abstract要約: DNR-NetはSPECTファントムシミュレーションのデータを用いて高品質な画像再構成を行うことができる。 DNR-Netは、高コントラストと低ノイズを特徴とするOSEMに匹敵する再構成を生成する。
• 参考スコア（独自算出の注目度）: 1.2209547858269227
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we present the Deep Newton Reconstruction Network (DNR-Net), a hybrid data-driven reconstruction technique for emission tomography inspired by Newton's method, a well-known iterative optimization algorithm. The DNR-Net employs prior information about the tomographic problem provided by the projection operator while utilizing deep learning approaches to a) imitate Newton's method by approximating the Newton descent direction and b) provide data-driven regularisation. We demonstrate that DNR-Net is capable of providing high-quality image reconstructions using data from SPECT phantom simulations by applying it to reconstruct images from noisy sinograms, each one containing 24 projections. The Structural Similarity Index (SSIM) and the Contrast-to-Noise ratio (CNR) were used to quantify the image quality. We also compare our results to those obtained by the OSEM method. According to the quantitative results, the DNR-Net produces reconstructions comparable to the ones produced by OSEM while featuring higher contrast and less noise.
• Abstract（参考訳）: 本研究では,newton法に触発された放射トモグラフィのためのハイブリッドデータ駆動型再構成手法であるdeep newton reconstruction network (dnr-net)を提案する。 DNR-Netは、プロジェクション演算子が提供するトモグラフィー問題に関する事前情報を用いて、深層学習アプローチを活用している。 a)ニュートン降下方向の近似によるニュートンの方法の模倣 b) データ駆動の規則化 そこで,dnr-netは,スペクトルファントムシミュレーションから得られたデータを用いて,24個の投影画像を含むノイズシノグラム画像の再構成を行うことができることを示す。 画像品質の定量化には,構造類似度指数 (SSIM) とコントラスト-雑音比 (CNR) が用いられた。 また,OSEM法で得られた結果と比較した。 定量的結果によると、DNR-Netは高コントラストと低ノイズを特徴としたOSEMに匹敵する再構成を生成する。

関連論文リスト

• DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
  新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。 大規模な環境下では、復元の質が悪くなる場合が少なくない。 本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
  論文  参考訳（メタデータ） (2024-11-19T07:51:44Z)
• DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
  スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。 提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-19T09:52:32Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Self-Supervised Coordinate Projection Network for Sparse-View Computed Tomography [31.774432128324385]
  本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。 暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
  論文  参考訳（メタデータ） (2022-09-12T06:14:04Z)
• SPECT Angle Interpolation Based on Deep Learning Methodologies [0.0]
  深層学習手法に基づく新しいSPECTアングル法を提案する。 提案したモデルのトレーニングには,ソフトウェアファントムからの投影データを使用した。 本手法の有効性を評価するため, 各種ノイズレベルを付加したシェップローガンに基づくファントムを用いた。 得られた補間されたシングラムは、順序付きサブセット期待最大化(OSEM)を用いて再構成され、元のシングラムの再構成と比較される。
  論文  参考訳（メタデータ） (2021-08-09T09:19:51Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。