論文の概要: Unsupervised PET Reconstruction from a Bayesian Perspective
- arxiv url: http://arxiv.org/abs/2110.15568v1
- Date: Fri, 29 Oct 2021 06:32:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 14:40:19.735695
- Title: Unsupervised PET Reconstruction from a Bayesian Perspective
- Title(参考訳): ベイズ的視点から見た非教師的PET再構成
- Authors: Chenyu Shen, Wenjun Xia, Hongwei Ye, Mingzheng Hou, Hu Chen, Yan Liu,
Jiliu Zhou and Yi Zhang
- Abstract要約: DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED)
本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
- 参考スコア(独自算出の注目度): 12.512270202705404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Positron emission tomography (PET) reconstruction has become an ill-posed
inverse problem due to low-count projection data, and a robust algorithm is
urgently required to improve imaging quality. Recently, the deep image prior
(DIP) has drawn much attention and has been successfully applied in several
image restoration tasks, such as denoising and inpainting, since it does not
need any labels (reference image). However, overfitting is a vital defect of
this framework. Hence, many methods have been proposed to mitigate this
problem, and DeepRED is a typical representation that combines DIP and
regularization by denoising (RED). In this article, we leverage DeepRED from a
Bayesian perspective to reconstruct PET images from a single corrupted sinogram
without any supervised or auxiliary information. In contrast to the
conventional denoisers customarily used in RED, a DnCNN-like denoiser, which
can add an adaptive constraint to DIP and facilitate the computation of
derivation, is employed. Moreover, to further enhance the regularization,
Gaussian noise is injected into the gradient updates, deriving a Markov chain
Monte Carlo (MCMC) sampler. Experimental studies on brain and whole-body
datasets demonstrate that our proposed method can achieve better performance in
terms of qualitative and quantitative results compared to several classic and
state-of-the-art methods.
- Abstract(参考訳): ポジトロン・エミッション・トモグラフィー (PET) の再構成は低カウント投影データによる逆問題となり, 画像品質向上のためには頑健なアルゴリズムが緊急に必要である。
近年,dip (deep image prior) の注目が集まっており,ラベル(参照画像)は不要であるため,ノイズ除去やインペインティングなど,複数の画像復元作業にうまく適用されている。
しかし、過剰適合はこのフレームワークの重要な欠陥である。
したがって、この問題を緩和するために多くの方法が提案されており、DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED)。
本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
赤で慣用的に使用される従来のデノワザとは対照的に、ディップに適応的な制約を追加し、導出の計算を容易にするdncnnライクなデノワザーが用いられる。
さらに、正規化をさらに強化するため、ガウスノイズが勾配更新に注入され、マルコフ連鎖モンテカルロ(MCMC)サンプリング器が導出される。
脳と体全体のデータセットに関する実験研究により,提案手法は古典的および最先端の手法と比較して質的,定量的な結果で優れた性能が得られることが示された。
関連論文リスト
- Deep Radon Prior: A Fully Unsupervised Framework for Sparse-View CT
Reconstruction [6.509941446269504]
提案するフレームワークはデータセットを必要とせず、優れた解釈可能性と一般化能力を示す。
実験結果から,提案手法は画像アーチファクトを効果的に抑制しつつ,詳細な画像を生成することができることが示された。
論文 参考訳(メタデータ) (2023-12-30T04:11:08Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳(メタデータ) (2022-12-07T13:39:23Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳(メタデータ) (2022-12-04T10:40:35Z) - Unsupervised denoising for sparse multi-spectral computed tomography [2.969056717104372]
我々は,64チャンネルPCD-CTのスパース測定から高品質な再構成を実現するための課題に対して,学習に基づく改善が適しているかを検討した。
本稿では, 再構成における異なるフィルタ関数と, スペクトルチャネルと核ノルムとの明示的な結合を利用して, 教師なしのデノベーションとアーティファクトの除去手法を提案する。
論文 参考訳(メタデータ) (2022-11-02T14:36:24Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳(メタデータ) (2022-03-24T18:11:31Z) - Supervision by Denoising for Medical Image Segmentation [17.131944478890293]
そこで我々は,自身のソフトラベルを用いてモデルを監督するフレームワークであるSUD(Superervision by Denoising)を提案する。
SUDは平均的および空間的デノナイジング技術をデノナイジングフレームワークで統合し、デノナイジングとモデルウェイト更新のステップを交互に行う。
応用例として,バイオメディカルイメージングによる2つの問題にSUDを適用した。
論文 参考訳(メタデータ) (2022-02-07T05:29:16Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳(メタデータ) (2022-01-27T20:19:07Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳(メタデータ) (2021-07-02T11:55:40Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
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)
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。