論文の概要: CNN-based regularisation for CT image reconstructions
- arxiv url: http://arxiv.org/abs/2201.09132v1
- Date: Sat, 22 Jan 2022 21:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:48:44.704630
- Title: CNN-based regularisation for CT image reconstructions
- Title（参考訳）: CNNによるCT画像再構成の正規化
- Authors: Attila Juhos
- Abstract要約: X線CTインフラ(X-ray Computed Tomography Infrastructures)は、被検物体を横断する光の取得に頼り、その強度低下を計測する医療画像モダリティである。
物理測定は数学的再構成アルゴリズムによって後処理され、より弱いか最上位の整合性を保証する。
深層学習法、特に完全畳み込みネットワークは広範囲に研究され、そのようなずれをフィルタリングするのに効率的であることが証明されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray computed tomographic infrastructures are medical imaging modalities
that rely on the acquisition of rays crossing examined objects while measuring
their intensity decrease. Physical measurements are post-processed by
mathematical reconstruction algorithms that may offer weaker or top-notch
consistency guarantees on the computed volumetric field. Superior results are
provided on the account of an abundance of low-noise measurements being
supplied. Nonetheless, such a scanning process would expose the examined body
to an undesirably large-intensity and long-lasting ionising radiation, imposing
severe health risks. One main objective of the ongoing research is the
reduction of the number of projections while keeping the quality performance
stable. Due to the under-sampling, the noise occurring inherently because of
photon-electron interactions is now supplemented by reconstruction artifacts.
Recently, deep learning methods, especially fully convolutional networks have
been extensively investigated and proven to be efficient in filtering such
deviations. In this report algorithms are presented that take as input a slice
of a low-quality reconstruction of the volume in question and aim to map it to
the reconstruction that is considered ideal, the ground truth. Above that, the
first system comprises two additional elements: firstly, it ensures the
consistency with the measured sinogram, secondly it adheres to constraints
proposed in classical compressive sampling theory. The second one, inspired by
classical ways of solving the inverse problem of reconstruction, takes an
iterative approach to regularise the hypothesis in the direction of the correct
result.
- Abstract（参考訳）: X線CTインフラ(X-ray Computed Tomography Infrastructures)は、被検物体を横断する光の取得に頼り、その強度低下を計測する医療画像モダリティである。
物理測定は数式再構成アルゴリズムによって後処理され、計算された体積場に対してより弱いか最上位の整合性を保証する。
低ノイズ測定が供給されていることを考慮し、優れた結果が得られる。
それでも、このような走査過程は、被検体を望ましくないほど大きな強度と長い電離放射線に曝し、深刻な健康リスクをもたらす。
この研究の主な目的の1つは、品質性能を安定させながら投射数を減らすことである。
このアンダーサンプリングのため、光子-電子相互作用によって発生するノイズは、現在再構成されたアーティファクトによって補われている。
近年, 深層学習, 特に完全畳み込みネットワークが広く研究され, 偏差のフィルタリングに有効であることが証明されている。
本報告では,疑わしいボリュームの低品質再構築のスライスを入力として,理想的と考えられる再構築にマッピングすることを目的としたアルゴリズムを提示する。
その上、最初のシステムは2つの追加要素から構成される: 第一に、測定されたシングラムとの整合性を確保し、第二に、古典的な圧縮サンプリング理論で提案された制約に固執する。
第二の方法は、復元の逆問題を解決する古典的な方法にインスパイアされたものであり、正しい結果の方向に仮説を正則化する反復的なアプローチをとる。
関連論文リスト
- 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) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - Physics-assisted Generative Adversarial Network for X-Ray Tomography [2.589958357631341]
深層学習が トモグラフィーの再構築に 使われています。
本研究では,トモグラフィ再構成のための物理支援ジェネレーターネットワーク(PGAN)を開発した。
論文 参考訳（メタデータ） (2022-04-07T19:21:39Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Interpolation of CT Projections by Exploiting Their Self-Similarity and
Smoothness [6.891238879512674]
提案アルゴリズムは, シングラムの自己相似性と滑らか性を利用する。
シミュレーションおよび実ctデータを用いた実験により,提案アルゴリズムを用いたシンノグラムにより,再構成画像の品質が大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-03-05T22:41:25Z) - Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative
Prior [8.712404218757733]
この問題はフーリエ・プチコグラフィー、X線結晶学、可視光通信など様々な画像モダリティで発生する。
本稿では,事前訓練された2つの深層生成ネットワークの下での交互勾配降下アルゴリズムを用いて,この逆問題の解法を提案する。
提案アルゴリズムは,前向き測定モデルを説明する各前駆体の範囲内で,シャープな画像とぼやけたカーネルを見つけ出そうとする。
論文 参考訳（メタデータ） (2020-02-28T07:36:28Z)
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。