論文の概要: Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction

• arxiv url: http://arxiv.org/abs/2211.13926v1
• Date: Fri, 25 Nov 2022 06:49:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:05:27.419029
• Title: Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction
• Title（参考訳）: スパースビューct再構成のためのシンノグラム領域の生成的モデリング
• Authors: Bing Guan, Cailian Yang, Liu Zhang, Shanzhou Niu, Minghui Zhang, Yuhao Wang, Weiwen Wu, Qiegen Liu
• Abstract要約: CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
• 参考スコア（独自算出の注目度）: 12.932897771104825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The radiation dose in computed tomography (CT) examinations is harmful for patients but can be significantly reduced by intuitively decreasing the number of projection views. Reducing projection views usually leads to severe aliasing artifacts in reconstructed images. Previous deep learning (DL) techniques with sparse-view data require sparse-view/full-view CT image pairs to train the network with supervised manners. When the number of projection view changes, the DL network should be retrained with updated sparse-view/full-view CT image pairs. To relieve this limitation, we present a fully unsupervised score-based generative model in sinogram domain for sparse-view CT reconstruction. Specifically, we first train a score-based generative model on full-view sinogram data and use multi-channel strategy to form highdimensional tensor as the network input to capture their prior distribution. Then, at the inference stage, the stochastic differential equation (SDE) solver and data-consistency step were performed iteratively to achieve fullview projection. Filtered back-projection (FBP) algorithm was used to achieve the final image reconstruction. Qualitative and quantitative studies were implemented to evaluate the presented method with several CT data. Experimental results demonstrated that our method achieved comparable or better performance than the supervised learning counterparts.
• Abstract（参考訳）: ct検査における放射線被曝量は患者に有害であるが, プロジェクションビューの数を直感的に減少させることで有意に低減できる。 プロジェクションビューの縮小は、通常、再構成された画像の重いエイリアシングアーティファクトにつながる。 疎視データを用いた従来のディープラーニング(DL)技術は、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアを必要とする。 プロジェクションビューの回数が変化した場合、DLネットワークはスパースビュー/フルビューCT画像ペアを更新して再トレーニングする必要がある。 この制限を緩和するために,sparse-view ct再構成のためのシンノグラム領域における教師なしスコアベース生成モデルを提案する。 具体的には,まず,フルビューシングラムデータを用いたスコアベース生成モデルを訓練し,マルチチャネル戦略を用いてネットワーク入力として高次元テンソルを形成し,先行分布をキャプチャする。 そして, 推定段階では, 確率微分方程式(sde)ソルバとデータ一貫性ステップを繰り返し実行し, フルビュー投影を実現する。 最終的な画像再構成にはフィルタ付きバックプロジェクション(fbp)アルゴリズムが用いられた。 提案手法をCTデータを用いて定性的,定量的に評価した。 実験結果から,本手法は教師付き学習手法と同等あるいは優れた性能を示した。

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)
• Conditioning Generative Latent Optimization for Sparse-View CT Image Reconstruction [0.5497663232622965]
  生成潜在最適化フレームワーク(cGLO)に対する教師なし条件付きアプローチを提案する。 この手法は、複数のトレーニングデータセットサイズと様々な視角を用いて、フルドーズスパース・ビューCTでテストされる。
  論文  参考訳（メタデータ） (2023-07-31T13:47:33Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
  低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。 ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。 低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。 以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
  論文  参考訳（メタデータ） (2022-12-07T13:39:23Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction [13.358197688568463]
  撮像過程におけるヨウ素の放射線は 不可逆的な損傷を引き起こす スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。 textbfDual-textbfDomain textbfDuDoTransを提案する。
  論文  参考訳（メタデータ） (2021-11-21T10:41:07Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。