論文の概要: Unsupervised denoising for sparse multi-spectral computed tomography
- arxiv url: http://arxiv.org/abs/2211.01159v1
- Date: Wed, 2 Nov 2022 14:36:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 13:03:34.678508
- Title: Unsupervised denoising for sparse multi-spectral computed tomography
- Title（参考訳）: Sparse Multi-spectral Computed Tomography における教師なし denoising の有用性
- Authors: Satu I. Inkinen, Mikael A. K. Brix, Miika T. Nieminen, Simon Arridge,
Andreas Hauptmann
- Abstract要約: 我々は,64チャンネルPCD-CTのスパース測定から高品質な再構成を実現するための課題に対して,学習に基づく改善が適しているかを検討した。
本稿では, 再構成における異なるフィルタ関数と, スペクトルチャネルと核ノルムとの明示的な結合を利用して, 教師なしのデノベーションとアーティファクトの除去手法を提案する。
- 参考スコア（独自算出の注目度）: 2.969056717104372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-energy computed tomography (CT) with photon counting detectors (PCDs)
enables spectral imaging as PCDs can assign the incoming photons to specific
energy channels. However, PCDs with many spectral channels drastically increase
the computational complexity of the CT reconstruction, and bespoke
reconstruction algorithms need fine-tuning to varying noise statistics.
\rev{Especially if many projections are taken, a large amount of data has to be
collected and stored. Sparse view CT is one solution for data reduction.
However, these issues are especially exacerbated when sparse imaging scenarios
are encountered due to a significant reduction in photon counts.} In this work,
we investigate the suitability of learning-based improvements to the
challenging task of obtaining high-quality reconstructions from sparse
measurements for a 64-channel PCD-CT. In particular, to overcome missing
reference data for the training procedure, we propose an unsupervised denoising
and artefact removal approach by exploiting different filter functions in the
reconstruction and an explicit coupling of spectral channels with the nuclear
norm. Performance is assessed on both simulated synthetic data and the openly
available experimental Multi-Spectral Imaging via Computed Tomography (MUSIC)
dataset. We compared the quality of our unsupervised method to iterative total
nuclear variation regularized reconstructions and a supervised denoiser trained
with reference data. We show that improved reconstruction quality can be
achieved with flexibility on noise statistics and effective suppression of
streaking artefacts when using unsupervised denoising with spectral coupling.
- Abstract（参考訳）: マルチエネルギー計算トモグラフィ(CT)と光子計数検出器(PCD)は、光子を特定のエネルギーチャネルに割り当てることができるため、スペクトルイメージングを可能にする。
しかし,多くのスペクトルチャネルを持つPCDはCT再構成の計算量を大幅に増加させ,様々なノイズ統計を微調整する必要がある。
特に多くのプロジェクションが取られた場合には、大量のデータを収集して保存する必要がある。
スパースビューCTはデータリダクションの一解法である。
しかし、光子数の減少が著しいため、画像の少ないシナリオに遭遇すると、これらの問題は特に悪化する。
本研究は,64チャンネルPCD-CTのスパース測定から高品質な再構築を実現するための課題に対して,学習に基づく改善が適するかどうかを検討する。
特に,訓練手順における参照データの欠落を克服するために,再構成における異なるフィルタ関数とスペクトルチャネルと核ノルムとの明示的な結合を活用し,教師なしのノイズ除去・アーティファクト除去手法を提案する。
シミュレーションされた合成データと、Computed Tomography (MUSIC)データセットを用いた実験用マルチスペクトルイメージングの両方で性能を評価する。
我々は,教師なし手法の質を,参照データで訓練された教師付きデノイザーと反復的全核変動正規化再構成と比較した。
スペクトル結合を伴う教師なし雑音化を用いた場合,ノイズ統計の柔軟性とストレッチアーティファクトの効果的抑制により,復元品質の向上が達成できることを示す。
関連論文リスト
- 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) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT
Setting [6.450514665591633]
低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。
本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
論文 参考訳（メタデータ） (2022-11-02T13:37:59Z) - Spectral2Spectral: Image-spectral Similarity Assisted Spectral CT Deep
Reconstruction without Reference [5.109423491004876]
本稿では、教師なしの手法とデータ事前を、Spectral2Spectralという名前の統一されたフレームワークに相乗化するための反復的深層再構築ネットワークを提案する。
我々のSpectral2Spectralは、教師なしの深層学習戦略を用いて、ノイズの多いデータからエンドツーエンドで高品質な画像を得る。
3つの大規模な前臨床データセット実験は、スペクトル2スペクトルが他の最先端の手法よりも優れた画質を再構成することを示した。
論文 参考訳（メタデータ） (2022-10-03T03:07:33Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Multi-scale reconstruction of undersampled spectral-spatial OCT data for
coronary imaging using deep learning [1.8359410255568984]
血管内光コヒーレンス断層撮影(IV OCT)は冠状動脈疾患(CAD)の診断・治療に最適であると考えられる。
高分解能と高速走査率のトレードオフがある。
本稿では,スペクトル領域と空間領域の両方でサンプリングプロセスをダウンスケールするスペクトル空間取得手法を提案する。
論文 参考訳（メタデータ） (2022-04-25T16:37:25Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - 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) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。