Fugu-MT 論文翻訳(概要): Low-Dose CT Denoising via Sinogram Inner-Structure Transformer

論文の概要: Low-Dose CT Denoising via Sinogram Inner-Structure Transformer

arxiv url: http://arxiv.org/abs/2204.03163v1
Date: Thu, 7 Apr 2022 02:18:23 GMT
ステータス: 処理完了
システム内更新日: 2022-04-08 16:08:24.563856
Title: Low-Dose CT Denoising via Sinogram Inner-Structure Transformer
Title（参考訳）: Sinogram inner-Structure Transformer による低用量CTデノーミング
Authors: Liutao Yang and Zhongnian, Li and Rongjun, Ge and Junyong, Zhao and Haipeng, Si and Daoqiang Zhang
Abstract要約: 人体への放射線害を軽減する低線量CT(LDCT)技術は,医療画像分野への関心が高まっている。低線量放射線により画質が劣化するので、LDCT試験は特別な再構成方法や復調アルゴリズムを必要とする。 SIST(Sinogram inner-Structure Transformer)と呼ばれるLDCTデノナイズネットワークを提案する。
参考スコア（独自算出の注目度）: 13.65180174091348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low-Dose Computed Tomography (LDCT) technique, which reduces the radiation harm to human bodies, is now attracting increasing interest in the medical imaging field. As the image quality is degraded by low dose radiation, LDCT exams require specialized reconstruction methods or denoising algorithms. However, most of the recent effective methods overlook the inner-structure of the original projection data (sinogram) which limits their denoising ability. The inner-structure of the sinogram represents special characteristics of the data in the sinogram domain. By maintaining this structure while denoising, the noise can be obviously restrained. Therefore, we propose an LDCT denoising network namely Sinogram Inner-Structure Transformer (SIST) to reduce the noise by utilizing the inner-structure in the sinogram domain. Specifically, we study the CT imaging mechanism and statistical characteristics of sinogram to design the sinogram inner-structure loss including the global and local inner-structure for restoring high-quality CT images. Besides, we propose a sinogram transformer module to better extract sinogram features. The transformer architecture using a self-attention mechanism can exploit interrelations between projections of different view angles, which achieves an outstanding performance in sinogram denoising. Furthermore, in order to improve the performance in the image domain, we propose the image reconstruction module to complementarily denoise both in the sinogram and image domain.
Abstract（参考訳）: 人体への放射線害を軽減する低線量CT(LDCT)技術が,医療画像分野への関心が高まっている。低線量放射線により画質が劣化するので、LDCT試験は特別な再構成方法や復調アルゴリズムを必要とする。しかし、最近の有効な手法のほとんどは、元の投影データ(シングラム)の内部構造を見落としており、その分断能力に制限がある。シノグラムの内部構造は、シノグラム領域内のデータの特別な特性を表す。この構造を分断しながら維持することで、ノイズを明らかに抑制することができる。そこで我々は, シングラム内構造変換器(SIST)と呼ばれるLDCTデノナイズネットワークを提案し, シングラム領域の内部構造を利用してノイズを低減する。具体的には,シンノグラムのctイメージング機構と統計特性について検討し,高品質ct画像復元のための大域的および局所的内部構造を含むシンノグラム内部構造損失の設計を行った。また,シンノグラム特徴を抽出するためのシンノグラム変換モジュールを提案する。自己アテンション機構を用いた変圧器アーキテクチャは、異なる視角の射影間の相互関係を生かし、シノグラムのデノナイジングにおいて優れた性能を達成する。さらに、画像領域の性能を向上させるために、シンノグラムと画像領域の両方で相補的にデノベーションする画像再構成モジュールを提案する。

関連論文リスト

FCDM: Sparse-view Sinogram Inpainting with Frequency Domain Convolution Enhanced Diffusion Models [14.043383277622874]
シングラムデータに適した新しい拡散型塗布フレームワークを提案する。 FCDMは既存の手法よりも優れており、SSIMが0.95以上、PSNRが30dB以上、SSIMが33%、PSNRが29%である。
論文参考訳（メタデータ） (2024-08-26T12:31:38Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
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)
APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文参考訳（メタデータ） (2023-07-11T14:04:12Z)
CTformer: Convolution-free Token2Token Dilated Vision Transformer for Low-dose CT Denoising [11.67382017798666]
低線量CT(LDCT)はCT研究において重要な問題である。視覚変換器は畳み込みニューラルネットワーク(CNN)よりも優れた特徴表現能力を示している低用量CT用コンボリューションフリーToken2Token Dilated Vision Transformerを提案する。
論文参考訳（メタデータ） (2022-02-28T02:58:16Z)
Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文参考訳（メタデータ） (2021-12-23T19:20:38Z)
DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction [13.358197688568463]
撮像過程におけるヨウ素の放射線は不可逆的な損傷を引き起こすスパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。 textbfDual-textbfDomain textbfDuDoTransを提案する。
論文参考訳（メタデータ） (2021-11-21T10:41:07Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)
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)
Interpolation of CT Projections by Exploiting Their Self-Similarity and Smoothness [6.891238879512674]
提案アルゴリズムは, シングラムの自己相似性と滑らか性を利用する。シミュレーションおよび実ctデータを用いた実験により,提案アルゴリズムを用いたシンノグラムにより,再構成画像の品質が大幅に向上することが示された。
論文参考訳（メタデータ） (2021-03-05T22:41:25Z)
Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。