論文の概要: Active CT Reconstruction with a Learned Sampling Policy

• arxiv url: http://arxiv.org/abs/2211.01670v1
• Date: Thu, 3 Nov 2022 09:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 14:02:19.548664
• Title: Active CT Reconstruction with a Learned Sampling Policy
• Title（参考訳）: 学習的サンプリングポリシーを用いた能動ct再構成
• Authors: Ce Wang, Kun Shang, Haimiao Zhang, Shang Zhao, Dong Liang, S. Kevin Zhou
• Abstract要約: 患者固有の高品質な再建のためのサンプリング位置を最適化するアクティブサンプリングポリシーを学習する。 NIH-AAPMデータセットにおいて、一般的な一様サンプリングよりも優れた性能を実現する。 このような設計により、関心のある領域内での復元品質を改善したRoI対応の再構築が可能となる。
• 参考スコア（独自算出の注目度）: 20.076651784096736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) is a widely-used imaging technology that assists clinical decision-making with high-quality human body representations. To reduce the radiation dose posed by CT, sparse-view and limited-angle CT are developed with preserved image quality. However, these methods are still stuck with a fixed or uniform sampling strategy, which inhibits the possibility of acquiring a better image with an even reduced dose. In this paper, we explore this possibility via learning an active sampling policy that optimizes the sampling positions for patient-specific, high-quality reconstruction. To this end, we design an \textit{intelligent agent} for active recommendation of sampling positions based on on-the-fly reconstruction with obtained sinograms in a progressive fashion. With such a design, we achieve better performances on the NIH-AAPM dataset over popular uniform sampling, especially when the number of views is small. Finally, such a design also enables RoI-aware reconstruction with improved reconstruction quality within regions of interest (RoI's) that are clinically important. Experiments on the VerSe dataset demonstrate this ability of our sampling policy, which is difficult to achieve based on uniform sampling.
• Abstract（参考訳）: CT(Computed tomography)は、高品質な人体表現による臨床的意思決定を支援する画像技術である。 CTによる放射線線量を減らすために、保存された画質でスパースビューとリミテッドアングルCTを開発する。 しかし、これらの手法は固定的あるいは均一なサンプリング戦略で立ち往生しており、さらに少ない線量でより良い画像を得る可能性を抑制する。 本稿では,患者固有の高品質再構築のためのサンプリング位置を最適化するアクティブサンプリングポリシーの学習を通じて,この可能性を探る。 そこで本研究では,得られたシンノグラムを用いたオン・ザ・フライ・コンストラクションに基づくサンプリング位置のアクティブな推薦を行うための \textit{intelligent agent} を設計した。 このような設計により、一般的な一様サンプリングよりもNIH-AAPMデータセットの性能が向上する。 最後に, 臨床的に重要な関心領域 (RoI) の再現品質を向上したRoIアウェアリコンストラクションも実現した。 verseデータセットを用いた実験では,一様サンプリングでは達成が困難であるサンプリングポリシーの能力が実証された。

関連論文リスト

• CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
  Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:06:15Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
  ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。 本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-19T00:07:48Z)
• 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)
• 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)
• 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)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• 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)
• Joint reconstruction and bias field correction for undersampled MR imaging [7.409376558513677]
  k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。 ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。 本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-26T12:58:34Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

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。