論文の概要: Feature reconstruction from incomplete tomographic data without detour
- arxiv url: http://arxiv.org/abs/2202.10724v1
- Date: Tue, 22 Feb 2022 08:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 16:56:08.534359
- Title: Feature reconstruction from incomplete tomographic data without detour
- Title(参考訳): 歪みのない不完全断層画像からの特徴再構成
- Authors: Simon G\"oppel, J\"urgen Frikel, Markus Haltmeier
- Abstract要約: 我々はCTデータから直接畳み込み画像の特徴を頑健に再構築するための新しい枠組みを提案する。
フレームワーク内では、さまざまな機能再構成タスクに適応可能な非線形(変分法)正規化メソッドを使用します。
- 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: In this paper, we consider the problem of feature reconstruction from
incomplete x-ray CT data. Such problems occurs, e.g., as a result of dose
reduction in the context medical imaging. Since image reconstruction from
incomplete data is a severely ill-posed problem, the reconstructed images may
suffer from characteristic artefacts or missing features, and significantly
complicate subsequent image processing tasks (e.g., edge detection or
segmentation). In this paper, we introduce a novel framework for the robust
reconstruction of convolutional image features directly from CT data, without
the need of computing a reconstruction firs. Within our framework we use
non-linear (variational) regularization methods that can be adapted to a
variety of feature reconstruction tasks and to several limited data situations
. In our numerical experiments, we consider several instances of edge
reconstructions from angularly undersampled data and show that our approach is
able to reliably reconstruct feature maps in this case.
- Abstract(参考訳): 本稿では,不完全X線CTデータからの特徴再構成の問題点について考察する。
このような問題は、例えば、コンテキスト医療画像における線量減少の結果起こる。
不完全データからの画像再構成は深刻な問題であるため、再構成された画像は特徴的なアーチファクトや欠落した特徴に悩まされ、その後の画像処理タスク(エッジ検出やセグメンテーションなど)を著しく複雑化する。
本稿では,CTデータから直接畳み込み画像の特徴を頑健に再構成するための新しいフレームワークを提案する。
フレームワーク内では、さまざまな機能再構築タスクや限られたデータ状況に適応可能な非線形(変分法)正規化メソッドを使用します。
数値実験では,角アンサンプデータからのエッジ再構成のいくつかの事例を考察し,この場合の特徴地図を確実に再構築できることを示す。
関連論文リスト
- DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Uncertainty-Aware Null Space Networks for Data-Consistent Image
Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。
医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。
この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文 参考訳(メタデータ) (2023-04-14T06:58:44Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場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) - Invertible Rescaling Network and Its Extensions [118.72015270085535]
本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。
我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。
そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
論文 参考訳(メタデータ) (2022-10-09T06:58:58Z) - Sequential image recovery using joint hierarchical Bayesian learning [6.881629943427059]
本稿では,階層型ベイズ学習に基づく連続画像の連成復元手法を提案する。
本手法は,他の画像から「ボーリング」することで,各画像の欠落情報を復元する。
いくつかの予備的な結果は、シーケンシャルデブロアリングと磁気共鳴イメージングにその可能性を示している。
論文 参考訳(メタデータ) (2022-06-25T22:31:32Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - Super-Resolution Image Reconstruction Based on Self-Calibrated
Convolutional GAN [15.351639834230383]
本稿では,新たな自己校正型畳み込み生成対向ネットワークを提案する。
ジェネレータは特徴抽出と画像再構成からなる。
実験により,提案したネットワークの有効性が実証された。
論文 参考訳(メタデータ) (2021-06-10T07:12:27Z) - ReconResNet: Regularised Residual Learning for MR Image Reconstruction
of Undersampled Cartesian and Radial Data [0.3694429692322631]
データの一部(アンダーサンプリング)を無視して取得速度を上げることができる
これにより、解像度の低下や画像アーティファクトの導入など、画質が劣化する。
深層学習は研究の非常に重要な分野として現れ、逆問題の解決に大きな可能性を示してきました。
論文 参考訳(メタデータ) (2021-03-16T17:24:30Z) - Joint reconstruction and bias field correction for undersampled MR
imaging [7.409376558513677]
k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。
ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。
本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
論文 参考訳(メタデータ) (2020-07-26T12:58:34Z) - 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。