論文の概要: Sparse-view Cone Beam CT Reconstruction using Data-consistent Supervised
and Adversarial Learning from Scarce Training Data
- arxiv url: http://arxiv.org/abs/2201.09318v1
- Date: Sun, 23 Jan 2022 17:08:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 09:21:34.060080
- Title: Sparse-view Cone Beam CT Reconstruction using Data-consistent Supervised
and Adversarial Learning from Scarce Training Data
- Title（参考訳）: Data-Consistent Supervised and Adversarial Learning を用いたスカーストレーニングデータからのスパースビューコーンビームCT再構成
- Authors: Anish Lahiri, Marc Klasky, Jeffrey A. Fessler and Saiprasad
Ravishankar
- Abstract要約: 利用可能なプロジェクションの数が減少するにつれて、従来の再建技術は不十分に機能する。
ディープラーニングベースの再構築は、十分なトレーニングデータが利用可能であればパフォーマンスが向上するので、アプリケーションにおいて多くの注目を集めています。
本研究は,CT投影数とトレーニングデータの両方が極端に限られている場合に,画像再構成に焦点をあてる。
- 参考スコア（独自算出の注目度）: 27.325532306485755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of CT images from a limited set of projections through an
object is important in several applications ranging from medical imaging to
industrial settings. As the number of available projections decreases,
traditional reconstruction techniques such as the FDK algorithm and model-based
iterative reconstruction methods perform poorly. Recently, data-driven methods
such as deep learning-based reconstruction have garnered a lot of attention in
applications because they yield better performance when enough training data is
available. However, even these methods have their limitations when there is a
scarcity of available training data. This work focuses on image reconstruction
in such settings, i.e., when both the number of available CT projections and
the training data is extremely limited. We adopt a sequential reconstruction
approach over several stages using an adversarially trained shallow network for
'destreaking' followed by a data-consistency update in each stage. To deal with
the challenge of limited data, we use image subvolumes to train our method, and
patch aggregation during testing. To deal with the computational challenge of
learning on 3D datasets for 3D reconstruction, we use a hybrid 3D-to-2D mapping
network for the 'destreaking' part. Comparisons to other methods over several
test examples indicate that the proposed method has much potential, when both
the number of projections and available training data are highly limited.
- Abstract（参考訳）: 医用画像から産業用環境まで様々な用途において,対象物を通して限られた投影からCT画像の再構成が重要である。
利用可能な投影回数が減少するにつれて、fdkアルゴリズムやモデルベース反復再構成法といった従来の再構成手法は性能が低下する。
近年,深層学習に基づく再構築などのデータ駆動手法は,十分なトレーニングデータが得られると性能が向上するため,アプリケーションに多くの注目を集めている。
しかし、これらの方法でさえ、利用可能なトレーニングデータが少ない場合に制限がある。
この研究は、利用可能なct投影数とトレーニングデータの両方が極めて制限された場合に、このような設定で画像再構成に焦点を当てている。
本研究では,複数の段階にまたがる逐次的再構成手法を用いて,各段階におけるデータ一貫性更新を行った。
限られたデータを扱うために、私たちは画像サブボリュームを使用してメソッドをトレーニングし、テスト中にアグリゲーションをパッチします。
3次元復元のための3次元データセット学習の計算課題に対処するため,destreakingの部分ではハイブリッド3d-to2dマッピングネットワークを用いる。
いくつかの試験例に対する他の手法との比較から,提案手法は投射数と利用可能なトレーニングデータの両方が極めて限定されている場合に,非常に有益であることが示された。
関連論文リスト
- Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
コーンビームCT(CBCT)における画像品質向上のための深層学習技術
本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。
この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
論文 参考訳（メタデータ） (2024-03-27T13:46:01Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳（メタデータ） (2023-09-18T12:36:39Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-26T14:38:42Z) - Simulator-Based Self-Supervision for Learned 3D Tomography
Reconstruction [34.93595625809309]
従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムで計算された参照再構成が必要となる。
我々は、ノイズの多い2次元X線データのみを用いて、完全に自己教師された方法でモデルを訓練する。
以上の結果から,既存の再建技術よりも視覚的忠実度が高く,PSNRが優れていた。
論文 参考訳（メタデータ） (2022-12-14T13:21:37Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D
Microscopic Imaging using Digital Holography [3.4635026053111484]
デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。
近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。
本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-05-25T17:13:45Z) - 3D helical CT Reconstruction with a Memory Efficient Learned Primal-Dual
Architecture [1.3518297878940662]
本稿では、ドメイン適応型ニューラルネットワークアーキテクチャであるLearned Primal-Dual(LPD)を改良し、この環境での再構築に応用することができる。
フルサイズの臨床データに非ロール型ディープラーニングアーキテクチャを適用したのはこれが初めてである。
論文 参考訳（メタデータ） (2022-05-24T10:32:32Z) - 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) - 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。