論文の概要: Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction

• arxiv url: http://arxiv.org/abs/2212.02177v1
• Date: Mon, 5 Dec 2022 11:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 18:34:56.909759
• Title: Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction
• Title（参考訳）: ファンビームCT再構成のための勾配に基づく幾何学習
• Authors: Mareike Thies, Fabian Wagner, Noah Maul, Lukas Folle, Manuela Meier, Maximilian Rohleder, Linda-Sophie Schneider, Laura Pfaff, Mingxuan Gu, Jonas Utz, Felix Denzinger, Michael Manhart, Andreas Maier
• Abstract要約: ファンビームCT再構成の微分定式化は、取得幾何に拡張される。 概念実証実験として、このアイデアは剛性運動補償に適用される。 アルゴリズムはMSEを35.5%削減し、SSIMを12.6%改善する。
• 参考スコア（独自算出の注目度）: 7.04200827802994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorporating computed tomography (CT) reconstruction operators into differentiable pipelines has proven beneficial in many applications. Such approaches usually focus on the projection data and keep the acquisition geometry fixed. However, precise knowledge of the acquisition geometry is essential for high quality reconstruction results. In this paper, the differentiable formulation of fan-beam CT reconstruction is extended to the acquisition geometry. This allows to propagate gradient information from a loss function on the reconstructed image into the geometry parameters. As a proof-of-concept experiment, this idea is applied to rigid motion compensation. The cost function is parameterized by a trained neural network which regresses an image quality metric from the motion affected reconstruction alone. Using the proposed method, we are the first to optimize such an autofocus-inspired algorithm based on analytical gradients. The algorithm achieves a reduction in MSE by 35.5 % and an improvement in SSIM by 12.6 % over the motion affected reconstruction. Next to motion compensation, we see further use cases of our differentiable method for scanner calibration or hybrid techniques employing deep models.
• Abstract（参考訳）: コンピュータ断層撮影(CT)再構成演算子を微分可能なパイプラインに組み込むことは多くの応用で有益であることが証明されている。 このようなアプローチは通常、投影データに注目して、取得幾何を固定する。 しかし, 得られた形状の正確な知識は, 高品質な再構築に不可欠である。 本稿では,ファンビームct再構成の微分可能な定式化を取得幾何に拡張する。 これにより、再構成された画像の損失関数から幾何パラメータへの勾配情報を伝播することができる。 概念実証実験として、このアイデアは剛体運動補償に適用される。 コスト関数は、トレーニングされたニューラルネットワークによってパラメータ化される。 提案手法を用いて,解析的勾配に基づく自動焦点インスパイアされたアルゴリズムを初めて最適化する。 このアルゴリズムは、mseの35.5パーセントの削減とssimの12.6%の改善を達成している。 動作補償の次は、より深いモデルを用いたスキャナキャリブレーションやハイブリッド技術における微分可能な手法のさらなる活用例を見いだす。

関連論文リスト

• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• MIRT: a simultaneous reconstruction and affine motion compensation technique for four dimensional computed tomography (4DCT) [3.5343621383192128]
  4次元CT(4DCT)では、一連の2次元投影画像から、移動または変形するサンプルの3次元像を再構成する。 近年の反復的動き補償再構成技術は、参照取得を必要とするか、画像再構成と動き推定を交互に行う必要がある。 本研究では,画像再構成とアフィン動作推定を組み合わせた効率的な反復再構成手法として,MIRT(Motion-compensated Iterative Restruction Technique)を提案する。
  論文  参考訳（メタデータ） (2024-02-07T00:10:39Z)
• Nest-DGIL: Nesterov-optimized Deep Geometric Incremental Learning for CS Image Reconstruction [9.54126979075279]
  第二次ネステロフ近位勾配最適化に基づく深層幾何学的漸進学習フレームワークを提案する。 再建フレームワークは, 一般的な線形再構成, カスケード幾何的漸進的復元, ネステロフ加速度, 後処理の4つのモジュールに分解される。
  論文  参考訳（メタデータ） (2023-08-06T15:47:03Z)
• Optimizing CT Scan Geometries With and Without Gradients [7.788823739816626]
  勾配に基づく最適化アルゴリズムが、勾配のないアルゴリズムの代替となる可能性が示されている。 勾配に基づくアルゴリズムは、捕捉範囲と自由パラメータの数に対するロバスト性の観点から、勾配のないアルゴリズムに匹敵する一方で、かなり高速に収束する。
  論文  参考訳（メタデータ） (2023-02-13T10:44:41Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• SIDER: Single-Image Neural Optimization for Facial Geometric Detail Recovery [54.64663713249079]
  SIDERは、教師なしの方法で単一の画像から詳細な顔形状を復元する新しい光度最適化手法である。 以前の作業とは対照的に、SIDERはデータセットの事前に依存せず、複数のビュー、照明変更、地上の真実の3D形状から追加の監視を必要としない。
  論文  参考訳（メタデータ） (2021-08-11T22:34:53Z)
• Deep Geometric Distillation Network for Compressive Sensing MRI [4.294819237410758]
  圧縮センシング(CS)は、小さなサンプルデータから$k$-spaceでMR画像を再構成する効率的な方法である。 モデルベースと深層学習に基づくCS-MRI法の利点を組み合わせた新しい深部幾何学的蒸留網を提案する。
  論文  参考訳（メタデータ） (2021-07-11T02:24:55Z)
• Unified Shape and SVBRDF Recovery using Differentiable Monte Carlo Rendering [20.68222611798537]
  高品質な再構築が可能な新しい分析合成技術を提案する。 幾何と反射率をほぼ別々に扱う従来の方法とは異なり、本手法は両者の最適化を統一する。 物理的に正確な勾配推定を得るために,新しいGPUベースのモンテカルロ微分レンダリング理論を開発した。
  論文  参考訳（メタデータ） (2021-03-28T19:44:05Z)
• Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
  側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。 本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。 本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
  論文  参考訳（メタデータ） (2020-07-20T12:45:38Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。