論文の概要: Computed Tomography Reconstruction using Generative Energy-Based Priors

• arxiv url: http://arxiv.org/abs/2203.12658v1
• Date: Wed, 23 Mar 2022 18:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-26 03:38:20.220798
• Title: Computed Tomography Reconstruction using Generative Energy-Based Priors
• Title（参考訳）: 再生エネルギーを用いたCT再構成
• Authors: Martin Zach and Erich Kobler and Thomas Pock
• Abstract要約: 我々は、基準CTデータに基づいて、その可能性の最大化により、大域的受容場を持つパラメトリック正則化器を学習する。 正規化器を限られた角度と少数のCT再構成問題に適用し、従来の再構成アルゴリズムよりも大きなマージンで性能を向上する。
• 参考スコア（独自算出の注目度）: 13.634603375405744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past decades, Computed Tomography (CT) has established itself as one of the most important imaging techniques in medicine. Today, the applicability of CT is only limited by the deposited radiation dose, reduction of which manifests in noisy or incomplete measurements. Thus, the need for robust reconstruction algorithms arises. In this work, we learn a parametric regularizer with a global receptive field by maximizing it's likelihood on reference CT data. Due to this unsupervised learning strategy, our trained regularizer truly represents higher-level domain statistics, which we empirically demonstrate by synthesizing CT images. Moreover, this regularizer can easily be applied to different CT reconstruction problems by embedding it in a variational framework, which increases flexibility and interpretability compared to feed-forward learning-based approaches. In addition, the accompanying probabilistic perspective enables experts to explore the full posterior distribution and may quantify uncertainty of the reconstruction approach. We apply the regularizer to limited-angle and few-view CT reconstruction problems, where it outperforms traditional reconstruction algorithms by a large margin.
• Abstract（参考訳）: 過去数十年間、ctは医学における最も重要なイメージング技術の1つとして確立されてきた。 今日では、CTの適用性は、堆積放射線線量によってのみ制限され、ノイズや不完全な測定で現れる。 したがって、堅牢な再構成アルゴリズムの必要性が生じる。 本研究では, 基準CTデータに基づいて, 大域的受容場を持つパラメトリック正則化器を最大化することにより学習する。 この教師なし学習戦略により、訓練された正規化器は本当に高レベルなドメイン統計を表し、ct画像の合成によって実証的に示します。 さらに、この正則化器は可変フレームワークに組み込むことで異なるct再構成問題に容易に適用でき、フィードフォワード学習に基づくアプローチに比べて柔軟性と解釈性が向上する。 さらに、それに伴う確率論的視点により、専門家は完全な後方分布を探索でき、再構築アプローチの不確実性を定量化することができる。 我々は,この正規化器を,従来の再構成アルゴリズムを大きなマージンで上回る,限られた角度と少ない視点のct再構成問題に適用する。

関連論文リスト

• AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
  CTは産業用非破壊検査や診断において重要な役割を担っている。 スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。 本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
  論文  参考訳（メタデータ） (2024-09-11T10:34:41Z)
• 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)
• Implicit Neural Representations for Robust Joint Sparse-View CT Reconstruction [12.381526863294061]
  Inlicit Neural Representations (INRs) はスパース・ビューCTの再建に有効である。 本稿では,INRを用いた複数物体の同時再構成による復元品質向上手法を提案する。
  論文  参考訳（メタデータ） (2024-05-03T22:50:59Z)
• Solving Low-Dose CT Reconstruction via GAN with Local Coherence [2.325977856241404]
  本稿では,局所コヒーレンスを向上したGANを用いた新しい手法を提案する。 提案手法は, 近接画像の局所的コヒーレンスを光学的流れにより捕捉し, 構築した画像の精度と安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-24T08:55:42Z)
• 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)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• 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)
• Self-Supervised Training For Low Dose CT Reconstruction [0.0]
  本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。 ノイズが要素的に独立な射影領域に自己超越原理を適用する。 提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-25T22:02:14Z)

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。