論文の概要: Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images
- arxiv url: http://arxiv.org/abs/2112.12810v1
- Date: Thu, 23 Dec 2021 19:20:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-12-29 18:59:43.127597
- Title: Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images
- Title（参考訳）: CT画像の反復再構成のための自己注意生成対向ネットワーク
- Authors: Ruiwen Xing and Thomas Humphries and Dong Si
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9208007322096533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed tomography (CT) uses X-ray measurements taken from sensors around
the body to generate tomographic images of the human body. Conventional
reconstruction algorithms can be used if the X-ray data are adequately sampled
and of high quality; however, concerns such as reducing dose to the patient, or
geometric limitations on data acquisition, may result in low quality or
incomplete data. Images reconstructed from these data using conventional
methods are of poor quality, due to noise and other artifacts. The aim of this
study is to train a single neural network to reconstruct high-quality CT images
from noisy or incomplete CT scan data, including low-dose, sparse-view, and
limited-angle scenarios. To accomplish this task, we train a generative
adversarial network (GAN) as a signal prior, to be used in conjunction with the
iterative simultaneous algebraic reconstruction technique (SART) for CT data.
The network includes a self-attention block to model long-range dependencies in
the data. We compare our Self-Attention GAN for CT image reconstruction with
several state-of-the-art approaches, including denoising cycle GAN, CIRCLE GAN,
and a total variation superiorized algorithm. Our approach is shown to have
comparable overall performance to CIRCLE GAN, while outperforming the other two
approaches.
- Abstract（参考訳）: CT(Computed tomography)は、体内のセンサーから採取したX線で人体のトモグラフィー画像を生成する。
従来の再構成アルゴリズムは、X線データが適切にサンプリングされ、高品質に利用できるが、患者への線量削減やデータ取得の幾何学的制限といった懸念は、品質や不完全なデータをもたらす可能性がある。
これらのデータから復元された画像はノイズやその他のアーティファクトによって品質が低下する。
本研究の目的は、低線量、スパースビュー、限定角度シナリオを含む、ノイズや不完全なCTスキャンデータから高品質なCT画像を再構成する1つのニューラルネットワークをトレーニングすることである。
この課題を達成するために,ctデータの逐次同時代数的再構成法(sart)と併用するために,前もって信号としてgan(generative adversarial network)を訓練する。
ネットワークには、データの長距離依存性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。
我々は,CT画像再構成のための自己注意型GANと,デノナイズサイクルGAN,CIRCLE GAN,および全変動優先アルゴリズムなど,最先端のアプローチを比較した。
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。
関連論文リスト
- FCDM: Sparse-view Sinogram Inpainting with Frequency Domain Convolution Enhanced Diffusion Models [14.043383277622874]
シングラムデータに適した新しい拡散型塗布フレームワークを提案する。
FCDMは既存の手法よりも優れており、SSIMが0.95以上、PSNRが30dB以上、SSIMが33%、PSNRが29%である。
論文 参考訳（メタデータ） (2024-08-26T12:31:38Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
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。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - 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) - DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram
Restoration in Sparse-View CT Reconstruction [13.358197688568463]
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。
論文 参考訳（メタデータ） (2021-11-21T10:41:07Z) - High-quality Low-dose CT Reconstruction Using Convolutional Neural
Networks with Spatial and Channel Squeeze and Excitation [15.05273611411106]
低線量CT(Low-dose Computed Tomography)によるCT画像再構成のための高品質画像ネットワーク(HQINET)を提案する。
HQINETは畳み込みエンコーダ-デコーダアーキテクチャであり、エンコーダを使用して3つの連続スライスから空間的および時間的情報を抽出した。
論文 参考訳（メタデータ） (2021-04-01T08:15:53Z) - A model-guided deep network for limited-angle computed tomography [28.175533839713847]
まず,CT画像再構成のための変分モデルを提案し,そのモデルをエンドツーエンドのディープネットワークに変換する。
本ネットワークは, シングラムとCT画像の両方に対処し, 不完全データによるアーティファクトを同時に抑制することができる。
論文 参考訳（メタデータ） (2020-08-10T09:42:32Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - 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。