論文の概要: Projection-Domain Self-Supervision for Volumetric Helical CT Reconstruction

• arxiv url: http://arxiv.org/abs/2212.07431v1
• Date: Wed, 14 Dec 2022 13:21:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 15:41:05.191577
• Title: Projection-Domain Self-Supervision for Volumetric Helical CT Reconstruction
• Title（参考訳）: ボリュームヘリカルCT再建のためのプロジェクションドメインセルフスーパービジョン
• Authors: Onni Kosomaa, Samuli Laine, Tero Karras, Miika Aittala, Jaakko Lehtinen
• Abstract要約: 低線量ヘリカルコーンビームCTにおける3次元再構成のためのディープラーニング手法を提案する。 体積を直接再構成し、すなわち2次元スライスからではなく、すべての軸に沿って整合性を保証する。 先行研究を超える重要なステップとして、ノイズの多い2次元投影データを用いて、投影領域における自己監督的な方法でモデルを訓練する。
• 参考スコア（独自算出の注目度）: 34.93595625809309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a deep learning method for three-dimensional reconstruction in low-dose helical cone-beam computed tomography. We reconstruct the volume directly, i.e., not from 2D slices, guaranteeing consistency along all axes. In a crucial step beyond prior work, we train our model in a self-supervised manner in the projection domain using noisy 2D projection data, without relying on 3D reference data or the output of a reference reconstruction method. This means the fidelity of our results is not limited by the quality and availability of such data. We evaluate our method on real helical cone-beam projections and simulated phantoms. Our reconstructions are sharper and less noisy than those of previous methods, and several decibels better in quantitative PSNR measurements. When applied to full-dose data, our method produces high-quality results orders of magnitude faster than iterative techniques.
• Abstract（参考訳）: 低用量ヘリカルコーンビームctによる3次元再構成のための深層学習法を提案する。 体積を2dスライスではなく直接再構築し、すべての軸に沿った一貫性を保証する。 先行研究を超越した重要なステップとして,3次元参照データや参照再構成手法の出力に頼らずに,ノイズ2次元投影データを用いて投影領域内で自己教師ありでモデルを訓練する。 つまり、データの品質と可用性によって、結果の忠実性が制限されるわけではありません。 本手法は実ヘリカルコーンビーム投影法とファントムシミュレーションを用いて評価する。 再建は従来の方法よりもシャープでノイズが少なく,PSNR定量測定ではいくつかのデシベルが優れている。 実測データに適用した場合,本手法は反復法よりも高速に高品質な結果が得られる。

関連論文リスト

• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
  Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。 テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。 いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
  論文  参考訳（メタデータ） (2023-12-20T16:14:58Z)
• 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)
• 3D helical CT Reconstruction with a Memory Efficient Learned Primal-Dual Architecture [1.3518297878940662]
  本稿では、ドメイン適応型ニューラルネットワークアーキテクチャであるLearned Primal-Dual(LPD)を改良し、この環境での再構築に応用することができる。 フルサイズの臨床データに非ロール型ディープラーニングアーキテクチャを適用したのはこれが初めてである。
  論文  参考訳（メタデータ） (2022-05-24T10:32:32Z)
• Sparse-view Cone Beam CT Reconstruction using Data-consistent Supervised and Adversarial Learning from Scarce Training Data [27.325532306485755]
  利用可能なプロジェクションの数が減少するにつれて、従来の再建技術は不十分に機能する。 ディープラーニングベースの再構築は、十分なトレーニングデータが利用可能であればパフォーマンスが向上するので、アプリケーションにおいて多くの注目を集めています。 本研究は,CT投影数とトレーニングデータの両方が極端に限られている場合に,画像再構成に焦点をあてる。
  論文  参考訳（メタデータ） (2022-01-23T17:08:52Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• 3D Scattering Tomography by Deep Learning with Architecture Tailored to Cloud Fields [12.139158398361866]
  本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。 また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-12-10T20:31:44Z)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Self-Supervised Training For Low Dose CT Reconstruction [0.0]
  本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。 ノイズが要素的に独立な射影領域に自己超越原理を適用する。 提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-25T22:02:14Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Noise2Filter: fast, self-supervised learning and real-time reconstruction for 3D Computed Tomography [0.0]
  X線ビームラインでは、物体の内部の3Dトモグラフィー画像の達成可能な時間分解能が1秒に短縮された。 本研究では,実測データのみを用いて学習可能なフィルタ手法であるNoss2Filterを提案する。 トレーニングデータの追加によるトレーニングと比較して,精度の低下は限定的であり,標準フィルタ法と比較して精度が向上した。
  論文  参考訳（メタデータ） (2020-07-03T12:12:10Z)

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。