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
- 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) - Fast and accurate sparse-view CBCT reconstruction using meta-learned
neural attenuation field and hash-encoding regularization [13.01191568245715]
コーンビームCT(CBCT)は、患者の内部解剖学的構造を可視化する新しい医用イメージング技術である。
再構成画像の品質を維持しながらCBCTスキャンにおける投影回数を減らすことは困難である。
本研究では,高速かつ高精度な CBCT 再構成手法を提案する。
論文 参考訳(メタデータ) (2023-12-04T07:23:44Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳(メタデータ) (2023-07-06T08:27:48Z) - Multi-frame-based Cross-domain Denoising for Low-dose Spiral Computed
Tomography [20.463308418655526]
X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。
放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。
本稿では,市販の第3世代マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
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) - 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) - 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) - 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。