論文の概要: On Scale Space Radon Transform, Properties and Application in CT Image
Reconstruction
- arxiv url: http://arxiv.org/abs/2205.05188v3
- Date: Thu, 12 Oct 2023 15:43:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 15:36:34.223498
- Title: On Scale Space Radon Transform, Properties and Application in CT Image
Reconstruction
- Title(参考訳): CT画像再構成における空間ラドン変換の特性と応用について
- Authors: Nafaa Nacereddine, Djemel Ziou, Aicha Baya Goumeidane
- Abstract要約: 我々は,X線ビームをSSRT (Scale Space Radon Transform) でモデル化することを提案する。
SSRT法は,プロジェクション数を減らす場合,特にRTに基づく手法よりも優れていた。
実験により, SSRT-FBPはポアソン・ガウス雑音劣化CTデータに対してより堅牢であることが示された。
- 参考スコア(独自算出の注目度): 1.9336815376402718
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Since the Radon transform (RT) consists in a line integral function, some
modeling assumptions are made on Computed Tomography (CT) system, making image
reconstruction analytical methods, such as Filtered Backprojection (FBP),
sensitive to artifacts and noise. In the other hand, recently, a new integral
transform, called Scale Space Radon Transform (SSRT), is introduced where, RT
is a particular case. Thanks to its interesting properties, such as good scale
space behavior, the SSRT has known number of new applications. In this paper,
with the aim to improve the reconstructed image quality for these methods, we
propose to model the X-ray beam with the Scale Space Radon Transform (SSRT)
where, the assumptions done on the physical dimensions of the CT system
elements reflect better the reality. After depicting the basic properties and
the inversion of SSRT, the FBP algorithm is used to reconstruct the image from
the SSRT sinogram where the RT spectrum used in FBP is replaced by SSRT and the
Gaussian kernel, expressed in their frequency domain. PSNR and SSIM, as quality
measures, are used to compare RT and SSRT-based image reconstruction on
Shepp-Logan head and anthropomorphic abdominal phantoms. The first findings
show that the SSRT-based method outperforms the methods based on RT,
especially, when the number of projections is reduced, making it more
appropriate for applications requiring low-dose radiation, such as medical
X-ray CT. While SSRT-FBP and RT-FBP have utmost the same runtime, the
experiments show that SSRT-FBP is more robust to Poisson-Gaussian noise
corrupting CT data.
- Abstract(参考訳): ラドン変換(RT)は直線積分関数から構成されるため、CT(Computed Tomography)システム上でいくつかのモデリング仮定が作成され、FBP(Filted Backprojection)などの画像再構成解析手法がアーチファクトやノイズに敏感である。
一方、近年では、rt が特定の場合であるような、スケール空間ラドン変換(ssrt)と呼ばれる新しい積分変換が導入されている。
優れたスケール空間の振舞いのような興味深い性質のおかげで、SSRTは多くの新しいアプリケーションが知られている。
本稿では,これらの手法の再構成画像の画質向上を目的として,ctシステム要素の物理的寸法に対する仮定が現実をよりよく反映するスケール空間ラドン変換(ssrt)を用いてx線ビームをモデル化することを提案する。
基本特性とssrtの反転を描写した後、fbpアルゴリズムは、周波数領域で表現されたssrtシンノグラムから、fbpで使用されるrtスペクトルをssrtとガウス核に置き換えるssrtシンノグラムから画像を再構成するために使用される。
品質指標としてPSNRとSSIMを用いて,Shepp-Logan頭部のRTとSSRTによる画像再構成と人為的腹部ファントムを比較した。
第一に, ssrt法がrt法を上回っており, 特に投射回数が減少している場合には, 医療用x線ctなどの低線量放射線治療に適していることを示す。
SSRT-FBPとRT-FBPは、ほぼ同じランタイムを持つが、実験により、SSRT-FBPはポアソン・ガウスノイズ破壊CTデータに対してより堅牢であることが示された。
関連論文リスト
- Learning Surface Scattering Parameters From SAR Images Using
Differentiable Ray Tracing [8.19502673278742]
本稿では,スペキュラとディフューズの両方を包括的に考慮した表面マイクロ波レンダリングモデルを提案する。
CSVBSDF表面散乱パラメータ学習のためのSAR画像に基づく微分可能レイトレーシング(DRT)エンジンを構築した。
提案手法の有効性はシミュレーションと実SAR画像との比較により検証されている。
論文 参考訳(メタデータ) (2024-01-02T12:09:06Z) - Guided Scale Space Radon Transform for linear structures detection [1.7205106391379021]
SSRTを用いて,グレースケールおよびバイナリ画像中の厚みのある線形構造を自動的に検出する手法を提案する。
本手法では,SSRTを計算中における画像のヘッセン方向を計算した。
その結果、SSRT空間におけるその後の最大検出は不要な部分から解放された変換空間上で行われる。
論文 参考訳(メタデータ) (2023-11-15T16:50:01Z) - Computerized Tomography and Reproducing Kernels [0.0]
再生カーネル空間(RKHS)を利用した革新的なアプローチを提案する。
RKHSフレームワークはプロジェクション画像をかなり単純化し、トモグラフィー再構成の問題に対する有名な代表者定理の類似に繋がる。
また、データは離散的でノイズの多い現実的な環境では、真に機能的なレベルでシャープな安定性を達成できます。
論文 参考訳(メタデータ) (2023-11-13T16:53:38Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳(メタデータ) (2022-08-17T03:42:19Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳(メタデータ) (2022-05-20T11:37:44Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Fast MRI Reconstruction: How Powerful Transformers Are? [1.523157765626545]
k空間アンサンプと深層学習に基づく再構成による手法が、スキャンプロセスの高速化のために一般化されている。
特に、高速MRI再構成のために、GAN(Generative Adversarial Network)ベースのSwin Transformer(ST-GAN)を導入した。
異なるアンダーサンプリング条件からのMRI再建には,トランスフォーマーが有効であることを示す。
論文 参考訳(メタデータ) (2022-01-23T23:41:48Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳(メタデータ) (2022-01-15T06:30:03Z) - 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) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。
単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文 参考訳(メタデータ) (2020-06-30T10:48:40Z)
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。