論文の概要: InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images
- arxiv url: http://arxiv.org/abs/2112.12660v1
- Date: Thu, 23 Dec 2021 15:52:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:29:14.931090
- Title: InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images
- Title（参考訳）: InDuDoNet+:CT画像における金属アーチファクト低減のためのモデル駆動型解釈可能なデュアルドメインネットワーク
- Authors: Hong Wang, Yuexiang Li, Haimiao Zhang, Deyu Meng and Yefeng Zheng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 53.4351366246531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the computed tomography (CT) imaging process, metallic implants within
patients always cause harmful artifacts, which adversely degrade the visual
quality of reconstructed CT images and negatively affect the subsequent
clinical diagnosis. For the metal artifact reduction (MAR) task, current deep
learning based methods have achieved promising performance. However, most of
them share two main common limitations: 1) the CT physical imaging geometry
constraint is not comprehensively incorporated into deep network structures; 2)
the entire framework has weak interpretability for the specific MAR task;
hence, the role of every network module is difficult to be evaluated. To
alleviate these issues, in the paper, we construct a novel interpretable dual
domain network, termed InDuDoNet+, into which CT imaging process is finely
embedded. Concretely, we derive a joint spatial and Radon domain reconstruction
model and propose an optimization algorithm with only simple operators for
solving it. By unfolding the iterative steps involved in the proposed algorithm
into the corresponding network modules, we easily build the InDuDoNet+ with
clear interpretability. Furthermore, we analyze the CT values among different
tissues, and merge the prior observations into a prior network for our
InDuDoNet+, which significantly improve its generalization performance.
Comprehensive experiments on synthesized data and clinical data substantiate
the superiority of the proposed methods as well as the superior generalization
performance beyond the current state-of-the-art (SOTA) MAR methods. Code is
available at \url{https://github.com/hongwang01/InDuDoNet_plus}.
- Abstract（参考訳）: CT(Computed tomography)撮影の過程では、患者の金属インプラントは常に有害なアーティファクトを引き起こし、再構成CT画像の視覚的品質を低下させ、その後の臨床診断に悪影響を及ぼす。
金属アーティファクト削減(mar)タスクでは、現在のディープラーニングベースの手法が有望なパフォーマンスを達成している。
しかし、それらのほとんどは2つの主要な制限を共有している。
1)ct物理イメージング幾何制約は,深層ネットワーク構造に包括的に組み込まれていない。
2) フレームワーク全体が特定のmarタスクに対して弱い解釈性を持つため,各ネットワークモジュールの役割を評価することは困難である。
そこで本稿では,この問題を解決するために,indudonet+と呼ばれる新しい解釈可能なデュアルドメインネットワークを構築し,ct画像処理を微細に埋め込む。
具体的には,共同空間とラドン領域の再構成モデルを導出し,簡単な演算子のみを用いた最適化アルゴリズムを提案する。
提案アルゴリズムの反復的なステップを対応するネットワークモジュールに展開することにより,InDuDoNet+を明確な解釈性で容易に構築できる。
さらに,各組織間のct値を分析し,indudonet+の先行観測結果を先行ネットワークにマージし,その一般化性能を大幅に向上させた。
合成データと臨床データに関する包括的実験は,提案手法の優越性,および現在の最先端技術 (sota) mar 法よりも優れた一般化性能を示す。
コードは \url{https://github.com/hongwang01/indudonet_plus} で入手できる。
関連論文リスト
- ASCON: Anatomy-aware Supervised Contrastive Learning Framework for
Low-dose CT Denoising [23.274928463320986]
我々は,低用量CTにおける解剖学的意味論を探求するために,ASCONと呼ばれる新しい解剖学的適応型コントラスト学習フレームワークを提案する。
当科における低用量CTの解剖学的解釈性について検討した。
論文 参考訳（メタデータ） (2023-07-23T04:36:05Z) - MEPNet: A Model-Driven Equivariant Proximal Network for Joint
Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。
MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。
コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
論文 参考訳（メタデータ） (2023-06-25T15:50:11Z) - TriDoNet: A Triple Domain Model-driven Network for CT Metal Artifact
Reduction [7.959841510571622]
本稿では,TriDoNetと呼ばれる新しいトリプルドメインモデル駆動型CTMARネットワークを提案する。
本研究では,非局所的繰り返しストリーキングパターンを適応しきい値を持つ明示的きついフレームスパース表現モデルとして符号化する。
実験結果から,TriDoNetは優れたアーティファクト再現CT画像を生成することができることがわかった。
論文 参考訳（メタデータ） (2022-11-14T08:28:57Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。