論文の概要: Neural KEM: A Kernel Method with Deep Coefficient Prior for PET Image Reconstruction

• arxiv url: http://arxiv.org/abs/2201.01443v1
• Date: Wed, 5 Jan 2022 04:12:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-06 14:33:19.900143
• Title: Neural KEM: A Kernel Method with Deep Coefficient Prior for PET Image Reconstruction
• Title（参考訳）: PET画像再構成に先立って深部係数を持つカーネル手法Neural KEM
• Authors: Siqi Li, Kuang Gong, Ramsey D. Badawi, Edward J. Kim, Jinyi Qi, and Guobao Wang
• Abstract要約: 本稿では,前もって深度係数を用いたカーネル手法の暗黙正則化を提案する。 ニューラルネットワークに基づく最大値再構成問題を解くために、最適化転送の原理を適用し、ニューラルKEMアルゴリズムを導出する。 コンピュータシミュレーションと実際の患者データの結果から、ニューラルKEMは既存のKEMおよびディープイメージ先行法より優れていることが示されている。
• 参考スコア（独自算出の注目度）: 10.619539066260154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reconstruction of low-count positron emission tomography (PET) data is challenging. Kernel methods address the challenge by incorporating image prior information in the forward model of iterative PET image reconstruction. The kernelized expectation-maximization (KEM) algorithm has been developed and demonstrated to be effective and easy to implement. A common approach for a further improvement of the kernel method would be adding an explicit regularization, which however leads to a complex optimization problem. In this paper, we propose an implicit regularization for the kernel method by using a deep coefficient prior, which represents the kernel coefficient image in the PET forward model using a convolutional neural-network. To solve the maximum-likelihood neural network-based reconstruction problem, we apply the principle of optimization transfer to derive a neural KEM algorithm. Each iteration of the algorithm consists of two separate steps: a KEM step for image update from the projection data and a deep-learning step in the image domain for updating the kernel coefficient image using the neural network. This optimization algorithm is guaranteed to monotonically increase the data likelihood. The results from computer simulations and real patient data have demonstrated that the neural KEM can outperform existing KEM and deep image prior methods.
• Abstract（参考訳）: PET(low-count positron emission tomography)データの再構成は困難である。 カーネル手法は、反復PET画像再構成の前方モデルに画像先行情報を組み込むことによって、この問題に対処する。 カーネル化された期待最大化(KEM)アルゴリズムが開発され,実装が容易であることが実証された。 カーネル法をさらに改善するための一般的なアプローチは、明示的な正規化を追加することであるが、複雑な最適化問題に繋がる。 本稿では,畳み込みニューラルネットワークを用いたpetフォワードモデルにおいて,カーネル係数画像を表すディープ係数プリアーを用いて,カーネル法の暗黙的正則化を提案する。 ニューラルネットワークに基づく最大値再構成問題を解くために、最適化転送の原理を適用し、ニューラルKEMアルゴリズムを導出する。 アルゴリズムの各イテレーションは、投影データからのイメージ更新のためのKEMステップと、ニューラルネットワークを用いてカーネル係数画像を更新するイメージ領域のディープラーニングステップの2つの別々のステップで構成される。 この最適化アルゴリズムはデータ可能性の単調な増大を保証する。 コンピュータシミュレーションと実際の患者データの結果から、ニューラルKEMは既存のKEMおよびディープイメージ先行法より優れていることが示されている。

関連論文リスト

• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Optimization-Based Deep learning methods for Magnetic Resonance Imaging Reconstruction and Synthesis [0.0]
  この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。 第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。 第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。 第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
  論文  参考訳（メタデータ） (2023-03-02T18:59:44Z)
• 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)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• Image reconstruction algorithms in radio interferometry: from handcrafted to learned denoisers [7.1439425093981574]
  本稿では,プラグイン・アンド・プレイ方式にヒントを得た,無線干渉計測のための新しい画像再構成アルゴリズムを提案する。 このアプローチは、ディープニューラルネットワーク(DNN)をノイズとしてトレーニングすることで、事前の画像モデルを学ぶことで構成される。 学習したデノイザをフォワード-バックワード最適化アルゴリズムにプラグインし、デノイザのステップをグラデーション-ディフレッシュなデータ-忠実度ステップで交互に繰り返す単純な反復構造を与える。
  論文  参考訳（メタデータ） (2022-02-25T20:26:33Z)
• Deep Kernel Representation for Image Reconstruction in PET [9.041102353158065]
  最適化されたカーネルモデルの自動学習を可能にするために,ディープニューラルネットワークを活用するディープカーネル手法を提案する。 コンピュータシミュレーションと実際の患者データセットの結果から,提案したディープカーネル法は既存のカーネル法やニューラルネットワーク法よりも高速で,PET画像の動的再構成が可能であることが示された。
  論文  参考訳（メタデータ） (2021-10-04T03:53:33Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
  畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。 深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。 提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
  論文  参考訳（メタデータ） (2021-09-02T08:07:58Z)
• PET Image Reconstruction with Multiple Kernels and Multiple Kernel Space Regularizers [3.968853026164666]
  複数のカーネル行列と異なるアプリケーション用に調整可能な複数のカーネル空間正規化器を備えた正規化カーネル型MLEMを提案する。 機械学習におけるマルチカーネルの組み合わせ、スパース符号化における画像辞書学習、グラフ信号処理におけるグラフラプシアンという技術ツールを用いて、新しいアルゴリズムが導出される。
  論文  参考訳（メタデータ） (2021-03-04T03:28:17Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。