論文の概要: Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction

• arxiv url: http://arxiv.org/abs/2203.05968v1
• Date: Thu, 10 Mar 2022 14:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 22:08:48.404731
• Title: Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction
• Title（参考訳）: デュアルエネルギーCT再構成のためのマルチチャネル畳み込み解析演算子学習
• Authors: Alessandro Perelli, Suxer Alfonso Garcia, Alexandre Bousse, Jean-Pierre Tasu, Nikolaos Efthimiadis, Dimitris Visvikis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 108.06731611196291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective. Dual-energy computed tomography (DECT) has the potential to improve contrast, reduce artifacts and the ability to perform material decomposition in advanced imaging applications. The increased number or measurements results with a higher radiation dose and it is therefore essential to reduce either number of projections per energy or the source X-ray intensity, but this makes tomographic reconstruction more ill-posed. Approach. We developed the multi-channel convolutional analysis operator learning (MCAOL) method to exploit common spatial features within attenuation images at different energies and we propose an optimization method which jointly reconstructs the attenuation images at low and high energies with a mixed norm regularization on the sparse features obtained by pre-trained convolutional filters through the convolutional analysis operator learning (CAOL) algorithm. Main results. Extensive experiments with simulated and real computed tomography (CT) data were performed to validate the effectiveness of the proposed methods and we reported increased reconstruction accuracy compared to CAOL and iterative methods with single and joint total-variation (TV) regularization. Significance. Qualitative and quantitative results on sparse-views and low-dose DECT demonstrate that the proposed MCAOL method outperforms both CAOL applied on each energy independently and several existing state-of-the-art model-based iterative reconstruction (MBIR) techniques, thus paving the way for dose reduction.
• Abstract（参考訳）: 目的。 デュアルエネルギー計算トモグラフィ(DECT)はコントラストを改善し、アーティファクトを低減し、高度なイメージングアプリケーションで物質分解を行う能力を持つ。 放射線照射量の増加や測定値の増加は、エネルギー当たりの投射数やx線源の強度を減少させるのに不可欠であるが、このため断層撮影による再構成は不適切である。 アプローチ。 そこで本研究では,マルチチャネル畳み込み解析演算子学習(mcaol)法を考案し,畳み込み解析演算子学習(caol)アルゴリズムを用いて,事前学習した畳み込みフィルタにより得られたばらばらな特徴に対して,低・高エネルギーの減衰画像を同時に再構成する最適化手法を提案する。 主な結果。 提案手法の有効性を検証するために,シミュレーションおよび実ctデータを用いた広範囲な実験を行い,caolおよび単関節全変量(tv)正則化を用いた反復法と比較し,再構成精度の向上を報告した。 重要なこと。 Sparse-views と Low-Dose DECT の質的および定量的結果から,提案手法はMCAOL 法を独立に各エネルギーに適用し,既存の MBIR (State-of-the-the-the-art model-based Iterative reconstruction) 法よりも優れており,線量削減の道が拓かれた。

関連論文リスト

• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• A Low-dose CT Reconstruction Network Based on TV-regularized OSEM Algorithm [10.204918070701211]
  低用量CT(LDCT)は人体に対する潜在的な害を軽減する上で大きな利点がある。 予測 (EM) アルゴリズムを用いることで, LDCT の再構成精度を向上させるために, 統計的先行値と人工先行値を組み合わせることができる。 本稿では,EMアルゴリズムのM'-stepにTV正規化を組み込むことにより,効果的かつ効率的な正規化を実現することを提案する。
  論文  参考訳（メタデータ） (2024-08-25T13:31:53Z)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• 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)
• 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)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• A Bayesian Optimization Approach for Attenuation Correction in SPECT Brain Imaging [1.2209547858269227]
  本稿では, SPECT脳画像における減衰補正(BOAC)に対するベイズ最適化手法を提案する。 BOACは、数値ファントムからシミュレートしたノイズと減衰したシングラムを用いたSPECT脳画像で実証されている。
  論文  参考訳（メタデータ） (2021-09-24T12:27:06Z)
• MRI Reconstruction Using Deep Energy-Based Model [21.748514538109173]
  本研究では, 深部エネルギーモデルによる自己逆方向の協調を生かした新たな正規化戦略を提案する。 再構成のための他の生成モデルとは対照的に,提案手法では,再構成前の画像として深部エネルギー情報を用いて画像の質を向上させる。
  論文  参考訳（メタデータ） (2021-09-07T05:24:55Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT [17.168584459606272]
  LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。 その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T07:00:50Z)

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。