論文の概要: Orientation-Shared Convolution Representation for CT Metal Artifact
Learning
- arxiv url: http://arxiv.org/abs/2212.13166v1
- Date: Mon, 26 Dec 2022 13:56:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:28:50.056218
- Title: Orientation-Shared Convolution Representation for CT Metal Artifact
Learning
- Title(参考訳): CT金属アーチファクト学習のための方位共有畳み込み表現
- Authors: Hong Wang, Qi Xie, Yuexiang Li, Yawen Huang, Deyu Meng, Yefeng Zheng
- Abstract要約: X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
- 参考スコア(独自算出の注目度): 63.67718355820655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During X-ray computed tomography (CT) scanning, metallic implants carrying
with patients often lead to adverse artifacts in the captured CT images and
then impair the clinical treatment. Against this metal artifact reduction (MAR)
task, the existing deep-learning-based methods have gained promising
reconstruction performance. Nevertheless, there is still some room for further
improvement of MAR performance and generalization ability, since some important
prior knowledge underlying this specific task has not been fully exploited.
Hereby, in this paper, we carefully analyze the characteristics of metal
artifacts and propose an orientation-shared convolution representation strategy
to adapt the physical prior structures of artifacts, i.e., rotationally
symmetrical streaking patterns. The proposed method rationally adopts
Fourier-series-expansion-based filter parametrization in artifact modeling,
which can better separate artifacts from anatomical tissues and boost the model
generalizability. Comprehensive experiments executed on synthesized and
clinical datasets show the superiority of our method in detail preservation
beyond the current representative MAR methods. Code will be available at
\url{https://github.com/hongwang01/OSCNet}
- Abstract(参考訳): X線CT(CT)スキャンでは,患者を担持した金属インプラントがCT画像に悪影響を及ぼし,臨床治療に支障を来すことが多かった。
このメタルアーティファクト削減(MAR)タスクに対して、既存のディープラーニングベースの手法は、有望な再構築性能を得た。
しかしながら、この特定のタスクの根底にある重要な事前知識が十分に活用されていないため、MAR性能と一般化能力のさらなる改善の余地はまだ残っている。
そこで本稿では, 金属加工品の特性を慎重に分析し, 加工品の物理構造, すなわち回転対称なストリーキングパターンに適応するための配向型畳み込み表現戦略を提案する。
提案手法は人工物モデリングにおいてフーリエ級数展開に基づくフィルタパラメトリゼーションを合理的に採用し,解剖組織からアーティファクトを分離し,モデルの一般化性を高める。
合成および臨床データセット上で実施した総合的な実験は、現在の代表的MAR法を超える詳細な保存において、本手法の優位性を示している。
コードは \url{https://github.com/hongwang01/OSCNet} で入手できる。
関連論文リスト
- MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳(メタデータ) (2023-11-16T06:02:03Z) - Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in
Dual Domains [8.40564813751161]
金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。
金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。
本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
論文 参考訳(メタデータ) (2023-08-31T14:00:47Z) - Unsupervised Polychromatic Neural Representation for CT Metal Artifact
Reduction [48.1445005916672]
人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。
私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2023-06-27T04:50:58Z) - RetinexFlow for CT metal artifact reduction [10.612456151972113]
金属アーチファクトはCT(Computerd tomography)イメージングにおいて大きな課題である。
本研究では, 分解作業と完成作業の組合せとして, 金属加工品の還元問題を定式化する。
本稿では、Retinex理論と条件正規化フローに基づく、新しいエンドツーエンド画像ドメインモデルであるRetinexFlowを提案する。
論文 参考訳(メタデータ) (2023-06-18T10:53:52Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - 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) - Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning [30.977044473457]
金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。
我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。
次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
論文 参考訳(メタデータ) (2021-09-28T04:40:57Z) - Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images [29.019325663195627]
CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。
本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-16T04:43:35Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳(メタデータ) (2020-01-02T06:39:06Z)
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。