論文の概要: Metal artifact correction in cone beam computed tomography using
synthetic X-ray data
- arxiv url: http://arxiv.org/abs/2208.08288v1
- Date: Wed, 17 Aug 2022 13:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:21:45.493232
- Title: Metal artifact correction in cone beam computed tomography using
synthetic X-ray data
- Title（参考訳）: 合成x線データを用いたコーンビームctによる金属人工物補正
- Authors: Harshit Agrawal, Ari Hietanen, and Simo S\"arkk\"a
- Abstract要約: 解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。
1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。
比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metal artifact correction is a challenging problem in cone beam computed
tomography (CBCT) scanning. Metal implants inserted into the anatomy cause
severe artifacts in reconstructed images. Widely used inpainting-based metal
artifact reduction (MAR) methods require segmentation of metal traces in the
projections as a first step which is a challenging task. One approach is to use
a deep learning method to segment metals in the projections. However, the
success of deep learning methods is limited by the availability of realistic
training data. It is challenging and time consuming to get reliable ground
truth annotations due to unclear implant boundary and large number of
projections. We propose to use X-ray simulations to generate synthetic metal
segmentation training dataset from clinical CBCT scans. We compare the effect
of simulations with different number of photons and also compare several
training strategies to augment the available data. We compare our model's
performance on real clinical scans with conventional threshold-based MAR and a
recent deep learning method. We show that simulations with relatively small
number of photons are suitable for the metal segmentation task and that
training the deep learning model with full size and cropped projections
together improves the robustness of the model. We show substantial improvement
in the image quality affected by severe motion, voxel size under-sampling, and
out-of-FOV metals. Our method can be easily implemented into the existing
projection-based MAR pipeline to get improved image quality. This method can
provide a novel paradigm to accurately segment metals in CBCT projections.
- Abstract（参考訳）: 金属加工品の補正はコーンビームCT(CBCT)スキャンにおいて難しい問題である。
解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。
広く使われているインペインティングベースの金属アーティファクト還元(mar)法は、挑戦的なタスクである第1ステップとして、プロジェクション内の金属トレースのセグメンテーションを必要とする。
1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。
しかし,ディープラーニング手法の成功は,現実的なトレーニングデータの提供によって制限される。
不明瞭なインプラント境界と多数の投影のために、信頼できる土台真理アノテーションを得ることは困難かつ時間を要する。
臨床用cbctスキャンから合成金属セグメンテーショントレーニングデータセットを生成するためのx線シミュレーションを提案する。
シミュレーションの効果を異なる光子数と比較し、利用可能なデータを増やすためのいくつかのトレーニング戦略を比較する。
我々は,本モデルの性能を従来のしきい値ベースMARと最近の深層学習法と比較した。
比較的少数の光子を持つシミュレーションは, 金属セグメンテーション作業に適しており, フルサイズおよびトリプドプロジェクションを併用したディープラーニングモデルを訓練することで, モデルの堅牢性を向上させることを示す。
重度動き, ボクセルサイズ, アンダーサンプリング, オフオブFOV金属による画像品質の向上が認められた。
提案手法は,既存のプロジェクションベースMARパイプラインに容易に実装でき,画質が向上する。
この方法はCBCT投影において金属を正確に分断する新しいパラダイムを提供することができる。
関連論文リスト
- MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳（メタデータ） (2023-11-16T06:02:03Z) - RetinexFlow for CT metal artifact reduction [10.612456151972113]
金属アーチファクトはCT(Computerd tomography)イメージングにおいて大きな課題である。
本研究では, 分解作業と完成作業の組合せとして, 金属加工品の還元問題を定式化する。
本稿では、Retinex理論と条件正規化フローに基づく、新しいエンドツーエンド画像ドメインモデルであるRetinexFlowを提案する。
論文 参考訳（メタデータ） (2023-06-18T10:53:52Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 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) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - Simulation-Driven Training of Vision Transformers Enabling Metal
Segmentation in X-Ray Images [6.416928579907334]
本研究は,CTデータセットとCADインプラントを組み合わせたシミュレーションX線画像を生成することを提案する。
CBCT射影における金属セグメンテーションは、金属アーティファクト回避および還元アルゴリズムの前提条件となる。
本研究は,CADモデルに基づくデータ生成の柔軟性が向上し,臨床データサンプリングとラベル付けの不足を克服する手段となる可能性が示唆された。
論文 参考訳（メタデータ） (2022-03-17T09:58:58Z) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-03-12T08:08:50Z) - Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning [30.977044473457]
金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。
我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。
次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
論文 参考訳（メタデータ） (2021-09-28T04:40:57Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images [29.019325663195627]
CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。
本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-16T04:43:35Z) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳（メタデータ） (2020-01-02T06:39:06Z)
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。