論文の概要: MIST-net: Multi-domain Integrative Swin Transformer network for
Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2111.14831v3
- Date: Thu, 2 Dec 2021 13:13:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 14:31:04.105910
- Title: MIST-net: Multi-domain Integrative Swin Transformer network for
Sparse-View CT Reconstruction
- Title(参考訳): MIST-net:スパークビューCT再構成のためのマルチドメイン統合スウィントランスネットワーク
- Authors: Jiayi Pan, Weiwen Wu, Zhifan Gao and Heye Zhang
- Abstract要約: スパースビューデータ再構成は、典型的な過小評価された逆問題の一つである。
マルチドメイン統合スウィントランスネットワーク(MIST-net)を提案する。
48ビューの数値データセットを用いた実験により,提案したMIST-netにより画像品質が向上した。
- 参考スコア(独自算出の注目度): 6.620837759518855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deep learning-based tomographic image reconstruction methods have been
attracting much attention among these years. The sparse-view data
reconstruction is one of typical underdetermined inverse problems, how to
reconstruct high-quality CT images from dozens of projections is still a
challenge in practice. To address this challenge, in this article we proposed a
Multi-domain Integrative Swin Transformer network (MIST-net). First, the
proposed MIST-net incorporated lavish domain features from data, residual-data,
image, and residual-image using flexible network architectures. Here, the
residual-data and residual-image domains network components can be considered
as the data consistency module to eliminate interpolation errors in both
residual data and image domains, and then further retain image details. Second,
to detect the image features and further protect image edge, the trainable
Sobel Filter was incorporated into the network to improve the encode-decode
ability. Third, with the classical Swin Transformer, we further designed the
high-quality reconstruction transformer (i.e., Recformer) to improve the
reconstruction performance. The Recformer inherited the power of Swin
transformer to capture the global and local features of the reconstructed
image. The experiments on the numerical datasets with 48 views demonstrated our
proposed MIST-net provided higher reconstructed image quality with small
feature recovery and edge protection than other competitors including the
advanced unrolled networks. The trained network was transferred to the real
cardiac CT dataset to further validate the advantages of our MIST-net as well
as good robustness in clinical applications.
- Abstract(参考訳): 近年,深層学習に基づく断層画像再構成手法が注目されている。
スパースビューデータ再構成は典型的な逆問題の一つであり、数十の投影から高品質なCT画像を再構成する方法は、実際は難しい課題である。
この課題に対処するため,本稿ではマルチドメイン統合スウィントランスネットワーク(MIST-net)を提案する。
まず,提案するmist-netには,フレキシブルネットワークアーキテクチャを用いたデータ,残差データ,画像,残差画像からの豪華なドメイン特徴が組み込まれている。
ここでは、残差データと残差画像ドメインのネットワークコンポーネントをデータ一貫性モジュールとみなし、残差データと画像ドメインの両方の補間エラーを排除し、さらに画像の詳細を保持する。
第2に、画像特徴を検出し、さらに画像エッジを保護するため、トレーニング可能なsobelフィルタがネットワークに組み込まれ、エンコード復号能力が向上した。
第3に,従来のスウィン変換器を用いて,復元性能を向上させるために,高品質な再構成変換器(Recformer)をさらに設計した。
RecformerはSwin変換器のパワーを継承し、再構成された画像のグローバルな特徴とローカルな特徴を捉えた。
48ビューの数値データセットを用いた実験により,提案するmist-netは,高度な未ロールネットワークを含む他の競合製品に比べて,機能回復とエッジ保護の少ない高い再構成画像品質を提供することを示した。
MIST-netの利点と臨床応用におけるロバスト性を評価するため,訓練されたネットワークを実心CTデータセットに転送した。
関連論文リスト
- Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Anomaly Detection [4.850625510686943]
産業生産における品質検査には, 教師なし異常検出が重要である。
本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。
提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
論文 参考訳(メタデータ) (2024-04-20T05:13:56Z) - A Heterogeneous Dynamic Convolutional Neural Network for Image
Super-resolution [111.97970576223622]
画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。
下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
実験結果から,HDSRNetは画像解決に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-02-24T03:44:06Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。
AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。
この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文 参考訳(メタデータ) (2023-08-06T04:51:41Z) - Image Reconstruction using Enhanced Vision Transformer [0.08594140167290097]
画像のデノイング,デブロアリング,インペイントといったタスクに使用できる新しい画像再構成フレームワークを提案する。
このプロジェクトで提案されるモデルは、2次元画像を入力として取り込んで埋め込みを出力するビジョントランスフォーマー(ViT)に基づいている。
モデル再構築機能を改善するために,フレームワークに4つの最適化手法を組み込んだ。
論文 参考訳(メタデータ) (2023-07-11T02:14:18Z) - Uncertainty-Aware Null Space Networks for Data-Consistent Image
Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。
医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。
この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文 参考訳(メタデータ) (2023-04-14T06:58:44Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。
モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文 参考訳(メタデータ) (2022-07-29T03:09:21Z) - 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) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - Super-Resolution Image Reconstruction Based on Self-Calibrated
Convolutional GAN [15.351639834230383]
本稿では,新たな自己校正型畳み込み生成対向ネットワークを提案する。
ジェネレータは特徴抽出と画像再構成からなる。
実験により,提案したネットワークの有効性が実証された。
論文 参考訳(メタデータ) (2021-06-10T07:12:27Z) - 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)
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。