論文の概要: Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density

• arxiv url: http://arxiv.org/abs/2209.13264v1
• Date: Tue, 27 Sep 2022 09:10:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:16:54.146965
• Title: Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density
• Title（参考訳）: DBFBアルゴリズムの深部展開と限定角密度を用いたROICTイメージングへの応用
• Authors: Marion Savanier, Emilie Chouzenoux, Jean-Christophe Pesquet, and Cyril Riddell
• Abstract要約: 本稿では,関心領域(ROI)計算断層撮影(CT)における画像再構成の問題点について述べる。 モデルに基づく反復法はそのような問題に利用できるが、退屈なパラメータ化と緩やかな収束のために、その実践性は制限されることが多い。 モデルの物理と反復最適化アルゴリズムをニューラルネットワーク設計に組み込むディープラーニング技術が提案されている。
• 参考スコア（独自算出の注目度）: 15.143939192429018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the problem of image reconstruction for region-of-interest (ROI) computed tomography (CT). While model-based iterative methods can be used for such a problem, their practicability is often limited due to tedious parameterization and slow convergence. In addition, inadequate solutions can be obtained when the retained priors do not perfectly fit the solution space. Deep learning methods offer an alternative approach that is fast, leverages information from large data sets, and thus can reach high reconstruction quality. However, these methods usually rely on black boxes not accounting for the physics of the imaging system, and their lack of interpretability is often deplored. At the crossroads of both methods, unfolded deep learning techniques have been recently proposed. They incorporate the physics of the model and iterative optimization algorithms into a neural network design, leading to superior performance in various applications. This paper introduces a novel, unfolded deep learning approach called U-RDBFB designed for ROI CT reconstruction from limited data. Few-view truncated data are efficiently handled thanks to a robust non-convex data fidelity function combined with sparsity-inducing regularization functions. Iterations of a block dual forward-backward (DBFB) algorithm, embedded in an iterative reweighted scheme, are then unrolled over a neural network architecture, allowing the learning of various parameters in a supervised manner. Our experiments show an improvement over various state-of-the-art methods, including model-based iterative schemes, deep learning architectures, and deep unfolding methods.
• Abstract（参考訳）: 本稿では,関心領域(ROI)計算断層撮影(CT)における画像再構成の問題点について述べる。 このような問題にはモデルに基づく反復的手法が利用できるが、その実用性は退屈なパラメータ化と緩やかな収束のために制限されることが多い。 さらに、保持された前処理が解空間に完全に適合しない場合、不適切な解が得られる。 ディープラーニング手法は、高速で、大規模なデータセットからの情報を活用し、高いリコンストラクション品質に達するための代替アプローチを提供する。 しかし、これらの方法は通常、撮像系の物理を考慮しないブラックボックスに依存しており、解釈可能性の欠如はしばしば軽視される。 両手法の交差では,近年,展開された深層学習技術が提案されている。 彼らはモデルの物理と反復最適化アルゴリズムをニューラルネットワーク設計に取り入れ、様々なアプリケーションにおいて優れたパフォーマンスをもたらす。 本稿では,限定データからのROICT再構成を目的とした,U-RDBFBと呼ばれる新しい深層学習手法を提案する。 疎度誘導正規化関数と組み合わさった頑健な非凸データ忠実度関数により、少ないビュートランケートデータを効率的に処理する。 繰り返し再重み付けされたスキームに埋め込まれたブロック二重フォワードバックワード(DBFB)アルゴリズムの反復はニューラルネットワークアーキテクチャ上に展開され、様々なパラメータを教師付きで学習することができる。 実験では,モデルに基づく反復スキーム,ディープラーニングアーキテクチャ,深い展開手法など,さまざまな最先端手法の改善を示す。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• 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)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• An End-To-End-Trainable Iterative Network Architecture for Accelerated Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
  我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。 提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
  論文  参考訳（メタデータ） (2021-02-01T11:42:04Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• UPR: A Model-Driven Architecture for Deep Phase Retrieval [14.433858410963717]
  本稿では,ハイブリッドモデルに基づくデータ駆動型深層アーキテクチャ(Unfolded Phase Retrieval (UPR))を提案する。 具体的には、提案手法は、よく確立されたモデルベースアルゴリズムの汎用性と解釈可能性の恩恵を受けると同時に、深層ニューラルネットワークの表現力の恩恵を受ける。 このようなハイブリッドな深層構造の有効性を数値計算で示し、既存の位相探索アルゴリズムを強化するために、データ支援手法の未使用の可能性を示す。
  論文  参考訳（メタデータ） (2020-03-09T20:22:40Z)
• Multimodal Deep Unfolding for Guided Image Super-Resolution [23.48305854574444]
  ディープラーニング手法は、低解像度の入力から高解像度の出力へのエンドツーエンドのマッピングを学習するために、トレーニングデータに依存する。 本稿では,スパース事前を組み込んだマルチモーダル深層学習設計を提案し,他の画像モダリティからの情報をネットワークアーキテクチャに効果的に統合する。 提案手法は,サイド情報を用いた畳み込みスパース符号化の反復的アルゴリズムに類似した,新しい展開演算子に依存している。
  論文  参考訳（メタデータ） (2020-01-21T14:41:53Z)

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。