論文の概要: DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram
Restoration in Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2111.10790v1
- Date: Sun, 21 Nov 2021 10:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 16:47:13.008711
- Title: DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram
Restoration in Sparse-View CT Reconstruction
- Title(参考訳): DuDoTrans-Dual-Domain Transformer : Sparse-View CTにおけるSinogram Restorationの注意力向上
- Authors: Ce Wang, Kun Shang, Haimiao Zhang, Qian Li, Yuan Hui, and S. Kevin
Zhou
- Abstract要約: 撮像過程におけるヨウ素の放射線は 不可逆的な損傷を引き起こす
スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。
textbfDual-textbfDomain textbfDuDoTransを提案する。
- 参考スコア(独自算出の注目度): 13.358197688568463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Computed Tomography (CT) reconstruction from X-ray sinograms is
necessary for clinical diagnosis, iodine radiation in the imaging process
induces irreversible injury, thereby driving researchers to study sparse-view
CT reconstruction, that is, recovering a high-quality CT image from a sparse
set of sinogram views. Iterative models are proposed to alleviate the appeared
artifacts in sparse-view CT images, but the computation cost is too expensive.
Then deep-learning-based methods have gained prevalence due to the excellent
performances and lower computation. However, these methods ignore the mismatch
between the CNN's \textbf{local} feature extraction capability and the
sinogram's \textbf{global} characteristics. To overcome the problem, we propose
\textbf{Du}al-\textbf{Do}main \textbf{Trans}former (\textbf{DuDoTrans}) to
simultaneously restore informative sinograms via the long-range dependency
modeling capability of Transformer and reconstruct CT image with both the
enhanced and raw sinograms. With such a novel design, reconstruction
performance on the NIH-AAPM dataset and COVID-19 dataset experimentally
confirms the effectiveness and generalizability of DuDoTrans with fewer
involved parameters. Extensive experiments also demonstrate its robustness with
different noise-level scenarios for sparse-view CT reconstruction. The code and
models are publicly available at https://github.com/DuDoTrans/CODE
- Abstract(参考訳): x線シンノグラムからのct再構成は臨床診断に必須であるが、画像中のヨウ素放射線は可逆的損傷を誘発し、研究者は、シンノグラムビューのばらばらな集合から高品質のct画像を回収する、スパースビューct再構成の研究を促す。
スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,計算コストは高すぎる。
そして、優れた性能と低い計算量により、ディープラーニングベースの手法が普及した。
しかし、これらの手法は cnn の \textbf{local} 特徴抽出能力と sinogram の \textbf{global} 特徴とのミスマッチを無視する。
この問題を克服するために,トランスフォーマの長距離依存性モデリング機能と拡張されたシンノグラムと生のシンノグラムの両方によるct画像の再構成による情報的シンノグラムの復元を同時に行うために, \textbf{du}al-\textbf{do}main \textbf{trans}former (\textbf{dudotrans})を提案する。
このような新しい設計により、NIH-AAPMデータセットとCOVID-19データセットの再構成性能は、より少ないパラメータでDuDoTransの有効性と一般化性を実験的に確認する。
広汎な実験は、スパースビューCT再構成のための異なるノイズレベルシナリオで頑健さを示す。
コードとモデルはhttps://github.com/DuDoTrans/CODEで公開されている。
関連論文リスト
- CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳(メタデータ) (2024-06-21T08:38:30Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳(メタデータ) (2024-04-27T12:55:13Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - APRF: Anti-Aliasing Projection Representation Field for Inverse Problem
in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。
近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。
自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)-
APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文 参考訳(メタデータ) (2023-07-11T14:04:12Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。
疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。
スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
論文 参考訳(メタデータ) (2022-11-25T06:49:18Z) - Anatomically constrained CT image translation for heterogeneous blood
vessel segmentation [3.88838725116957]
造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。
放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。
CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。
本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
論文 参考訳(メタデータ) (2022-10-04T16:14:49Z) - A Lightweight Dual-Domain Attention Framework for Sparse-View CT
Reconstruction [6.553233856627479]
我々はCAGANと呼ばれる新しい軽量ネットワークを設計し、並列ビームスパースCTのための二重領域再構成パイプラインを提案する。
Shuffle Blocksの適用により、パフォーマンスを犠牲にすることなく、パラメータを4分の1削減できる。
実験の結果、CAGANはモデルの複雑さとパフォーマンスのバランスが良く、私たちのパイプラインはDD-NetとDuDoNetより優れています。
論文 参考訳(メタデータ) (2022-02-19T14:04:59Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳(メタデータ) (2021-12-23T19:20:38Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳(メタデータ) (2020-05-20T13:30:49Z)
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。