論文の概要: A Self-Supervised Approach to Reconstruction in Sparse X-Ray Computed
Tomography
- arxiv url: http://arxiv.org/abs/2211.00002v1
- Date: Sun, 30 Oct 2022 02:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:53:22.920856
- Title: A Self-Supervised Approach to Reconstruction in Sparse X-Ray Computed
Tomography
- Title(参考訳): スパースX線CTにおける自己監督による再構成
- Authors: Rey Mendoza, Minh Nguyen, Judith Weng Zhu, Vincent Dumont, Talita
Perciano, Juliane Mueller, Vidya Ganapati
- Abstract要約: この研究は、物理インフォームド変分オートエンコーダである自己教師付き確率的ディープラーニング技術を開発し、検証する。
ディープニューラルネットワークは、スパース2次元の投影測定を、既知の類似したオブジェクトのデータセットをトレーニングすることで3次元の再構成に変換するために使用されている。
高品質な再構成はディープラーニングなしでは生成できず、深層ニューラルネットワークは再構築なしでは学習できない。
- 参考スコア(独自算出の注目度): 1.0806206850043696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed tomography has propelled scientific advances in fields from biology
to materials science. This technology allows for the elucidation of
3-dimensional internal structure by the attenuation of x-rays through an object
at different rotations relative to the beam. By imaging 2-dimensional
projections, a 3-dimensional object can be reconstructed through a
computational algorithm. Imaging at a greater number of rotation angles allows
for improved reconstruction. However, taking more measurements increases the
x-ray dose and may cause sample damage. Deep neural networks have been used to
transform sparse 2-D projection measurements to a 3-D reconstruction by
training on a dataset of known similar objects. However, obtaining high-quality
object reconstructions for the training dataset requires high x-ray dose
measurements that can destroy or alter the specimen before imaging is complete.
This becomes a chicken-and-egg problem: high-quality reconstructions cannot be
generated without deep learning, and the deep neural network cannot be learned
without the reconstructions. This work develops and validates a self-supervised
probabilistic deep learning technique, the physics-informed variational
autoencoder, to solve this problem. A dataset consisting solely of sparse
projection measurements from each object is used to jointly reconstruct all
objects of the set. This approach has the potential to allow visualization of
fragile samples with x-ray computed tomography. We release our code for
reproducing our results at: https://github.com/vganapati/CT_PVAE .
- Abstract(参考訳): コンピュータ断層撮影は生物学から材料科学まで科学的な進歩を促してきた。
この技術は、ビームに対して異なる回転で物体を通してX線を減衰させることにより、三次元内部構造を解明することができる。
2次元投影をイメージングすることで、3次元オブジェクトを計算アルゴリズムで再構築することができる。
より多くの回転角での撮像により、再構成が改善される。
しかし、より多くの測定を行うと、X線量が増え、サンプルの損傷を引き起こす可能性がある。
ディープニューラルネットワークは、既知の類似オブジェクトのデータセット上でトレーニングすることで、スパース2次元投影計測を3次元再構成に変換するために使用されている。
しかし、トレーニングデータセットのための高品質なオブジェクト再構成を得るには、画像化が完了する前に標本を破壊または変更できる高いx線線量測定が必要である。
高品質な再構築はディープラーニングなしでは生成できず、深層ニューラルネットワークは再構築なしでは学習できない。
本研究は,自己教師付き確率的深層学習手法である物理に変形した変分オートエンコーダを開発し,検証する。
各オブジェクトからのスパースプロジェクション測定のみからなるデータセットを使用して、セットの全オブジェクトを共同で再構築する。
このアプローチは、X線CTによる脆弱なサンプルの可視化を可能にする可能性がある。
私たちは結果を再現するためのコードをhttps://github.com/vganapati/ct_pvaeでリリースします。
関連論文リスト
- Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [81.63322697335228]
我々は,「自由」な仮想監督から,音声オブジェクトのカテゴリー別3D再構成を学習するFarm3Dを提案する。
近年のアプローチでは,物体の3次元形状,アルベド,照明,物体発生の視点を予測するための単眼ネットワークである,対象カテゴリの単一視点画像の集合から学習することができる。
本研究では、安定拡散のような画像生成装置を用いて、そのような再構成ネットワークをスクラッチから学習するための仮想トレーニングデータを生成するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T17:59:34Z) - Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with
Implicit Neural Representation [3.8215162658168524]
Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。
本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。
我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
論文 参考訳(メタデータ) (2023-03-21T18:17:27Z) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳(メタデータ) (2022-09-17T21:28:57Z) - SNeS: Learning Probably Symmetric Neural Surfaces from Incomplete Data [77.53134858717728]
我々はニューラルレイディアンスフィールド(NeRF)のようなニューラルリコンストラクションとレンダリングの最近の進歩の強みの上に構築する。
我々は3次元形状と材料特性にソフト対称性の制約を適用し,光,アルベド色,反射率に分解された外観を有する。
保存されていない領域を高い忠実度で再構成し、高品質な新しいビュー画像を作成することができることを示す。
論文 参考訳(メタデータ) (2022-06-13T17:37:50Z) - Machine Learning for Detection of 3D Features using sparse X-ray data [6.295613527861694]
慣性凝縮核融合実験では、中性子収率とその他のパラメータは1次元モデルと2次元モデルで完全に説明できない。
この矛盾は、重要な3次元効果が存在することを示唆している。
これらの効果の源は、貝殻と貝殻の界面の欠陥、カプセルの充填管、二重の貝殻の標的の関節の特徴などである。
我々は畳み込みニューラルネットワークを用いて、実験データからICFインロジョンの異なる3次元表現を生成する。
論文 参考訳(メタデータ) (2022-06-02T22:36:54Z) - Physics-assisted Generative Adversarial Network for X-Ray Tomography [2.589958357631341]
深層学習が トモグラフィーの再構築に 使われています。
本研究では,トモグラフィ再構成のための物理支援ジェネレーターネットワーク(PGAN)を開発した。
論文 参考訳(メタデータ) (2022-04-07T19:21:39Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - Learning to Rearrange Voxels in Binary Segmentation Masks for Smooth
Manifold Triangulation [0.8968417883198374]
本稿では,画像の粗い表現生成にのみ深層学習アルゴリズムが責任を負うような,粗大な方法で高解像度画像を再構成できることを提案する。
高分解能な結果を生成するために,粗大出力のボクセル再構成と階層画像合成という2つの新しい手法を提案する。
粗い出力と比較すると、高解像度のものは滑らかな表面三角測量を可能にし、最高品質で3Dプリントできる。
論文 参考訳(メタデータ) (2021-08-11T15:11:34Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - Noise2Filter: fast, self-supervised learning and real-time
reconstruction for 3D Computed Tomography [0.0]
X線ビームラインでは、物体の内部の3Dトモグラフィー画像の達成可能な時間分解能が1秒に短縮された。
本研究では,実測データのみを用いて学習可能なフィルタ手法であるNoss2Filterを提案する。
トレーニングデータの追加によるトレーニングと比較して,精度の低下は限定的であり,標準フィルタ法と比較して精度が向上した。
論文 参考訳(メタデータ) (2020-07-03T12:12:10Z)
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。