論文の概要: Physics-/Model-Based and Data-Driven Methods for Low-Dose Computed
Tomography: A survey
- arxiv url: http://arxiv.org/abs/2203.15725v2
- Date: Sat, 25 Mar 2023 02:49:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 03:41:29.232544
- Title: Physics-/Model-Based and Data-Driven Methods for Low-Dose Computed
Tomography: A survey
- Title（参考訳）: 低線量CTのための物理・モデルに基づくデータ駆動法:サーベイ
- Authors: Wenjun Xia, Hongming Shan, Ge Wang and Yi Zhang
- Abstract要約: 2016年には、特に低線量CT(LDCT)画像において、高度なトモグラフィーが成功している。
LDCTはビッグデータによって駆動されるが、純粋なエンドツーエンド再構築ネットワークはブラックボックスの性質や不安定性などの大きな問題に悩まされることが多い。
新たなトレンドは、イメージング物理学とモデルをディープネットワークに統合し、物理/モデルベースおよびデータ駆動要素のハイブリッド化を可能にすることだ。
- 参考スコア（独自算出の注目度）: 21.430431819394414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since 2016, deep learning (DL) has advanced tomographic imaging with
remarkable successes, especially in low-dose computed tomography (LDCT)
imaging. Despite being driven by big data, the LDCT denoising and pure
end-to-end reconstruction networks often suffer from the black box nature and
major issues such as instabilities, which is a major barrier to apply deep
learning methods in low-dose CT applications. An emerging trend is to integrate
imaging physics and model into deep networks, enabling a hybridization of
physics/model-based and data-driven elements. %This type of hybrid methods has
become increasingly influential. In this paper, we systematically review the
physics/model-based data-driven methods for LDCT, summarize the loss functions
and training strategies, evaluate the performance of different methods, and
discuss relevant issues and future directions.
- Abstract（参考訳）: 2016年以降,低線量CT(LDCT)画像において,深部CT(Deep Learning, DL)が顕著な成功を収めている。
LDCTはビッグデータによって駆動されているにもかかわらず、ブラックボックスの性質や不安定性などの大きな問題に悩まされることが多く、低用量CTアプリケーションにディープラーニングを適用する上で大きな障壁となっている。
新たなトレンドは、イメージング物理学とモデルをディープネットワークに統合し、物理/モデルベースおよびデータ駆動要素のハイブリッド化を可能にすることだ。
%) のハイブリッド手法がますます影響力を増している。
本稿では,LDCTの物理モデルに基づくデータ駆動方式を体系的に検討し,損失関数とトレーニング戦略を要約し,異なる手法の性能評価を行い,関連する問題と今後の方向性について議論する。
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) - 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) - Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising [10.854795474105366]
低線量CT画像のデノイングは医用画像処理において重要な課題である。
既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。
低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
論文 参考訳（メタデータ） (2023-05-25T09:38:52Z) - 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) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳（メタデータ） (2022-07-26T02:10:15Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Data augmentation for deep learning based accelerated MRI reconstruction
with limited data [46.44703053411933]
ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。
最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。
本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
論文 参考訳（メタデータ） (2021-06-28T19:08:46Z) - 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) - Neural networks with late-phase weights [66.72777753269658]
学習後期に重みのサブセットを組み込むことで,SGDの解をさらに改善できることを示す。
学習の終わりに、重み空間における空間平均を取ることにより、1つのモデルを取得する。
論文 参考訳（メタデータ） (2020-07-25T13:23:37Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。