論文の概要: SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields
- arxiv url: http://arxiv.org/abs/2211.17048v1
- Date: Wed, 30 Nov 2022 14:51:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 17:59:45.932422
- Title: SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields
- Title(参考訳): SNAF: 神経減衰場を用いたスパースビューCBCT再構成
- Authors: Yu Fang, Lanzhuju Mei, Changjian Li, Yuan Liu, Wenping Wang, Zhiming
Cui, Dinggang Shen
- Abstract要約: 神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。
提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
- 参考スコア(独自算出の注目度): 71.84366290195487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cone beam computed tomography (CBCT) has been widely used in clinical
practice, especially in dental clinics, while the radiation dose of X-rays when
capturing has been a long concern in CBCT imaging. Several research works have
been proposed to reconstruct high-quality CBCT images from sparse-view 2D
projections, but the current state-of-the-arts suffer from artifacts and the
lack of fine details. In this paper, we propose SNAF for sparse-view CBCT
reconstruction by learning the neural attenuation fields, where we have
invented a novel view augmentation strategy to overcome the challenges
introduced by insufficient data from sparse input views. Our approach achieves
superior performance in terms of high reconstruction quality (30+ PSNR) with
only 20 input views (25 times fewer than clinical collections), which
outperforms the state-of-the-arts. We have further conducted comprehensive
experiments and ablation analysis to validate the effectiveness of our
approach.
- Abstract(参考訳): コーンビームCT (CBCT) は臨床, 特に歯科診療において広く用いられているが, 撮影時のX線照射量はCBCT画像で長く懸念されてきた。
スパースビュー2Dプロジェクションから高画質CBCTイメージを再構成する研究がいくつか提案されているが、現在の最先端技術はアーティファクトと詳細の欠如に悩まされている。
本稿では,スパークス・インプット・ビューからの不十分なデータによる課題を克服するために,スパークス・ビューCBCT再構成のためのSNAFを提案する。
提案手法は,20個の入力ビュー(臨床コレクションの25倍)しか持たない高い再現性(30以上のPSNR)で優れた性能を実現し,最先端技術よりも優れている。
さらに,本手法の有効性を検証するため,包括的実験とアブレーション解析を行った。
関連論文リスト
- Multi-frame-based Cross-domain Image Denoising for Low-dose Computed
Tomography [10.637955673980697]
LDCT復調のための完全再建パイプラインをよりよく活用する2段階法を提案する。
本手法はマルチスライスプロジェクションとボリューム再構成の両方の高冗長性をうまく活用する。
論文 参考訳(メタデータ) (2023-04-21T09:30:22Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Dataset-free Deep learning Method for Low-Dose CT Image Reconstruction [33.193423488300255]
本稿では,LDCT画像再構成のための教師なしディープラーニング手法を提案する。
提案手法は,ランダムな重み付きディープネットワークによるベイズ推論の再パラメータ化手法と,追加の総変分法(TV)正則化を併用して構築する。
実験の結果,提案手法は既存のデータセットのない画像再構成手法よりも顕著に優れていることがわかった。
論文 参考訳(メタデータ) (2022-05-01T13:05:04Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳(メタデータ) (2021-08-05T16:47:33Z) - AI-Enabled Ultra-Low-Dose CT Reconstruction [8.135337706680097]
本稿では,X線撮影と同等の低線量で画像品質を診断できるAIを用いたCT再構成法を提案する。
臨床データセットの再構成結果から,36個のプロジェクションからのSUGARを用いて優れた画像の再構成が可能であることが示された。
論文 参考訳(メタデータ) (2021-06-17T22:13:11Z) - RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT
Denoising [10.101822678034393]
低用量CT(LDCT)は早期の肺癌やCOVID-19のスクリーニングに広く採用されている。
LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。
LDCT画像を読み取る放射線科医のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。
論文 参考訳(メタデータ) (2021-05-15T05:59:01Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。