論文の概要: Cross-domain Self-supervised Framework for Photoacoustic Computed
Tomography Image Reconstruction
- arxiv url: http://arxiv.org/abs/2301.06681v2
- Date: Thu, 21 Sep 2023 02:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 20:06:15.081966
- Title: Cross-domain Self-supervised Framework for Photoacoustic Computed
Tomography Image Reconstruction
- Title（参考訳）: 光音響ct画像再構成のためのクロスドメイン自己教師付き枠組み
- Authors: Hengrong Lan, Lijie Huang, Zhiqiang Li, Jing Lv, Jianwen Luo
- Abstract要約: 純粋なトランスモデルを用いたクロスドメイン非教師付き再構築(CDUR)戦略を提案する。
モデルに基づく自己監督型再構成を実装し、自己監督を利用して計測と画像の整合性を強制する。
マウスのin-vivo PACTデータセットの実験結果は、我々の教師なしフレームワークの可能性を示している。
- 参考スコア（独自算出の注目度）: 4.769412124596113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate image reconstruction is crucial for photoacoustic (PA) computed
tomography (PACT). Recently, deep learning has been used to reconstruct the PA
image with a supervised scheme, which requires high-quality images as ground
truth labels. In practice, there are inevitable trade-offs between cost and
performance since the use of more channels is an expensive strategy to access
more measurements. Here, we propose a cross-domain unsupervised reconstruction
(CDUR) strategy with a pure transformer model, which overcomes the lack of
ground truth labels from limited PA measurements. The proposed approach
exploits the equivariance of PACT to achieve high performance with a smaller
number of channels. We implement a self-supervised reconstruction in a
model-based form. Meanwhile, we also leverage the self-supervision to enforce
the measurement and image consistency on three partitions of measured PA data,
by randomly masking different channels. We find that dynamically masking a high
proportion of the channels, e.g., 80%, yields nontrivial self-supervisors in
both image and signal domains, which decrease the multiplicity of the pseudo
solution to efficiently reconstruct the image from fewer PA measurements with
minimum error of the image. Experimental results on in-vivo PACT dataset of
mice demonstrate the potential of our unsupervised framework. In addition, our
method shows a high performance (0.83 structural similarity index (SSIM) in the
extreme sparse case with 13 channels), which is close to that of supervised
scheme (0.77 SSIM with 16 channels). On top of all the advantages, our method
may be deployed on different trainable models in an end-to-end manner.
- Abstract（参考訳）: 光音響CT(PACT)では正確な画像再構成が重要である。
近年,高画質画像を基底的真理ラベルとして要求する教師付きスキームを用いて,pa画像の再構成にディープラーニングが用いられている。
実際には、より多くのチャネルを使用することはより多くの測定値にアクセスするための高価な戦略であるため、コストとパフォーマンスの間に避けられないトレードオフがある。
本稿では,限られたpa測定値から基底真理ラベルの欠如を克服する,純粋トランスフォーマーモデルを用いたクロスドメイン非教師なし再構成(cdur)戦略を提案する。
提案手法はPACTの等価性を利用して,少ないチャネル数で高い性能を実現する。
モデルに基づく自己教師型再構築を実現する。
また,異なるチャネルをランダムにマスキングすることで,計測されたPAデータの3つの分割に対して,その測定と画像の一貫性を強制する。
例えば80%のチャネルを動的にマスキングすると、画像領域と信号領域の両方において非自明な自己スーパーバイザが得られ、擬似解の多重度を減少させ、画像の最小誤差で少ないPA測定値から画像を効率的に再構成する。
マウスのin-vivo PACTデータセットの実験結果は、我々の教師なしフレームワークの可能性を示している。
さらに,本手法は, 教師付きスキーム (0.77 SSIM, 16チャンネル) に近く, 極端なスパースの場合において高い性能 (0.83 構造類似度指数 (SSIM) を示す。
あらゆる利点に加えて、我々の方法はエンドツーエンドで異なるトレーニング可能なモデルにデプロイされるかもしれない。
関連論文リスト
- Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。
既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。
本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T13:12:41Z) - Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。
潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。
これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
論文 参考訳（メタデータ） (2024-03-14T12:58:28Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Image Inpainting via Tractable Steering of Diffusion Models [54.13818673257381]
本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。
具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。
提案手法は, 画像の全体的な品質とセマンティックコヒーレンスを, 計算オーバーヘッドを10%加えるだけで一貫的に改善できることを示す。
論文 参考訳（メタデータ） (2023-11-28T21:14:02Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳（メタデータ） (2022-12-04T10:40:35Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳（メタデータ） (2021-11-08T02:05:58Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。