論文の概要: Deep learning-based conditional inpainting for restoration of
artifact-affected 4D CT images
- arxiv url: http://arxiv.org/abs/2203.06431v1
- Date: Sat, 12 Mar 2022 13:14:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 14:35:07.376578
- Title: Deep learning-based conditional inpainting for restoration of
artifact-affected 4D CT images
- Title（参考訳）: 深層学習に基づく4次元ct画像の復元のための条件付きインペインティング
- Authors: Frederic Madesta, Thilo Sentker, Tobias Gauer, Rene Werner
- Abstract要約: 人工物に影響を及ぼす領域の解剖学的に正しい画像情報を復元するために,Deep Learning (DL)ベースの条件付き塗装を提案する。
肺がん患者65名の社内4DCTデータを基に評価を行った。
塗装法により平均根平均二乗誤差 (RMSE) を60% (DS) と 42% (INT) に低減した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 4D CT imaging is an essential component of radiotherapy of thoracic/abdominal
tumors. 4D CT images are, however, often affected by artifacts that compromise
treatment planning quality. In this work, deep learning (DL)-based conditional
inpainting is proposed to restore anatomically correct image information of
artifact-affected areas. The restoration approach consists of a two-stage
process: DL-based detection of common interpolation (INT) and double structure
(DS) artifacts, followed by conditional inpainting applied to the artifact
areas. In this context, conditional refers to a guidance of the inpainting
process by patient-specific image data to ensure anatomically reliable results.
Evaluation is based on 65 in-house 4D CT data sets of lung cancer patients (48
with only slight artifacts, 17 with pronounced artifacts) and the publicly
available DIRLab 4D CT data (independent external test set). Automated artifact
detection revealed a ROC-AUC of 0.99 for INT and 0.97 for DS artifacts
(in-house data). The proposed inpainting method decreased the average root mean
squared error (RMSE) by 60% (DS) and 42% (INT) for the in-house evaluation data
(simulated artifacts for the slight artifact data; original data were
considered as ground truth for RMSE computation). For the external DIR-Lab
data, the RMSE decreased by 65% and 36%, respectively. Applied to the
pronounced artifact data group, on average 68% of the detectable artifacts were
removed. The results highlight the potential of DL-based inpainting for the
restoration of artifact-affected 4D CT data. Improved performance of
conditional inpainting (compared to standard inpainting) illustrates the
benefits of exploiting patient-specific prior knowledge.
- Abstract（参考訳）: 4D CTは胸部・腹部腫瘍の放射線治療の必須成分である。
しかし、4dct画像は治療計画の品質を損なうアーティファクトに影響されることが多い。
本研究では, 深層学習(DL)に基づく条件付き塗装法を提案し, アーチファクトに影響を及ぼす領域の解剖学的に正しい画像情報を復元する。
DLに基づく共通補間 (INT) と二重構造 (DS) アーティファクトの検出と, アーティファクト領域に適用した条件付きインパインティングの2段階からなる。
この文脈では、コンディショナルは、解剖学的に信頼できる結果を確保するために患者固有の画像データによる塗り込みプロセスのガイダンスを指す。
肺がん患者65名の内4D CTデータセット(48例は軽微なアーティファクト,17例は顕著なアーティファクト)と,DIRLab 4D CTデータ(非独立性外部検査セット)に基づいて評価を行った。
ROC-AUCはINTが0.99、DSアーティファクト(社内データ)が0.97と自動で検出された。
提案手法は, 内部評価データに対する平均根平均二乗誤差 (RMSE) を60% (DS) と 42% (INT) に削減した。
外部のDIR-Labデータでは,RMSEはそれぞれ65%,36%減少した。
発音されたアーティファクトデータグループに適用すると、検出可能なアーティファクトの平均68%が削除された。
その結果, 人工物による4次元CTデータの復元におけるDLベースの塗布の可能性が浮き彫りになった。
条件付きインペインティングの性能向上(標準インペインティングと比較)は、患者固有の事前知識を利用する利点を示している。
関連論文リスト
- 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) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Deep learning-based detection of intravenous contrast in computed
tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。
我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文 参考訳（メタデータ） (2021-10-16T00:46:45Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳（メタデータ） (2021-10-09T16:09:27Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Localized Motion Artifact Reduction on Brain MRI Using Deep Learning
with Effective Data Augmentation Techniques [2.0591563268976274]
In-Scanner MotionはMRIの画質を低下させる
深層学習に基づくMRIアーティファクト縮小モデル(DMAR)を導入し,脳MRIスキャンにおける頭部運動アーティファクトの局在と補正を行う。
論文 参考訳（メタデータ） (2020-07-10T03:30:27Z) - 4S-DT: Self Supervised Super Sample Decomposition for Transfer learning
with application to COVID-19 detection [3.957174470017176]
我々は、移動学習モデルのための自己監督超サンプル分解と呼ばれる、新しい深層畳み込みニューラルネットワークを提案する。
4S-DTは,大規模画像認識タスクから特定の胸部X線画像分類タスクへの粗大な伝達学習を促進する。
本研究の主な貢献は,胸部X線像の超解像による自己監督学習機構である。
論文 参考訳（メタデータ） (2020-06-26T16:09:31Z) - 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。