Fugu-MT 論文翻訳(概要): TriDoNet: A Triple Domain Model-driven Network for CT Metal Artifact Reduction

論文の概要: TriDoNet: A Triple Domain Model-driven Network for CT Metal Artifact Reduction

arxiv url: http://arxiv.org/abs/2211.07190v1
Date: Mon, 14 Nov 2022 08:28:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 16:44:38.653212
Title: TriDoNet: A Triple Domain Model-driven Network for CT Metal Artifact Reduction
Title（参考訳）: tridonet:ct金属アーティファクト削減のためのトリプルドメインモデル駆動ネットワーク
Authors: Baoshun Shi, Ke Jiang, Shaolei Zhang, Qiusheng Lian, and Yanwei Qin
Abstract要約: 本稿では,TriDoNetと呼ばれる新しいトリプルドメインモデル駆動型CTMARネットワークを提案する。本研究では,非局所的繰り返しストリーキングパターンを適応しきい値を持つ明示的きついフレームスパース表現モデルとして符号化する。実験結果から,TriDoNetは優れたアーティファクト再現CT画像を生成することができることがわかった。
参考スコア（独自算出の注目度）: 7.959841510571622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent deep learning-based methods have achieved promising performance for computed tomography metal artifact reduction (CTMAR). However, most of them suffer from two limitations: (i) the domain knowledge is not fully embedded into the network training; (ii) metal artifacts lack effective representation models. The aforementioned limitations leave room for further performance improvement. Against these issues, we propose a novel triple domain model-driven CTMAR network, termed as TriDoNet, whose network training exploits triple domain knowledge, i.e., the knowledge of the sinogram, CT image, and metal artifact domains. Specifically, to explore the non-local repetitive streaking patterns of metal artifacts, we encode them as an explicit tight frame sparse representation model with adaptive thresholds. Furthermore, we design a contrastive regularization (CR) built upon contrastive learning to exploit clean CT images and metal-affected images as positive and negative samples, respectively. Experimental results show that our TriDoNet can generate superior artifact-reduced CT images.
Abstract（参考訳）: 近年のDeep Learning-based methodは,CTMAR(Computerd tomography Metal artifact reduction)において有望な性能を達成した。しかし、そのほとんどは2つの制限に悩まされている。 (i)ネットワークトレーニングにドメイン知識が完全に組み込まれていないこと。 (II)金属人工物には効果的な表現モデルがない。上記の制限は、さらなるパフォーマンス改善の余地がある。これらの問題に対して,tridonetと呼ばれる新たなトリプルドメインモデル駆動型ctmarネットワークを提案し,そのネットワークトレーニングがトリプルドメイン知識,すなわちシンノグラム,ct画像,金属アーティファクトドメインの知識を活用している。具体的には,金属アーチファクトの非局所的繰り返しストリーキングパターンを探索するために,適応しきい値を持つ明確なフレームスパース表現モデルとして符号化する。さらに, 比較学習に基づく対照正則化(CR)を設計し, クリーンCT画像と金属汚染画像をそれぞれ正および負のサンプルとして活用する。実験結果から,TriDoNetは優れたアーティファクト再現CT画像を生成することができた。

関連論文リスト

Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
論文参考訳（メタデータ） (2023-06-27T04:50:58Z)
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)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
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)
From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文参考訳（メタデータ） (2021-08-06T04:00:28Z)
U-DuDoNet: Unpaired dual-domain network for CT metal artifact reduction [12.158957925558296]
非ペア化データを用いた非ペア化デュアルドメインネットワーク(u-dudonet)を提案する。アーティファクト・ディエンタングルメント・ネットワーク (ADN) とは異なり、U-DuDoNet は正弦波と画像領域の両方に付加することでアーティファクト生成プロセスをモデル化します。私たちのデザインには、シングラムドメイン内の情報を復元するためのガイダンスを提供する自己学習シングラム事前ネットが含まれています。
論文参考訳（メタデータ） (2021-03-08T05:19:15Z)
DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction [15.225899631788973]
金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。 CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。 MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
論文参考訳（メタデータ） (2021-02-16T08:09:16Z)
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)

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。