論文の概要: MB-DECTNet: A Model-Based Unrolled Network for Accurate 3D DECT
Reconstruction
- arxiv url: http://arxiv.org/abs/2302.00577v1
- Date: Wed, 1 Feb 2023 16:51:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 16:57:04.887139
- Title: MB-DECTNet: A Model-Based Unrolled Network for Accurate 3D DECT
Reconstruction
- Title（参考訳）: MB-DECTNet:正確な3次元DECT再構成のためのモデルベースアンロールネットワーク
- Authors: Tao Ge, Maria Medrano, Rui Liao, David G. Politte, Jeffrey F.
Williamson, Bruce R. Whiting, and Joseph A. O'Sullivan
- Abstract要約: エンド・ツー・エンドでトレーニング可能な3次元再構成のための深層学習モデルに基づくアンロールネットワークを提案する。
提案するネットワークは,多数の反復アルゴリズムと組み合わせることができるが,その性能を両エネルギー交互最小化(DEAM)を用いて実証する。
定量的結果から,MB-DECTNetは従来の統計アルゴリズムよりも精度良く減衰係数を推定できるが,計算コストははるかに低い可能性が示唆された。
- 参考スコア（独自算出の注目度）: 8.142703665697098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous dual-energy CT (DECT) techniques have been developed in the past few
decades. Dual-energy CT (DECT) statistical iterative reconstruction (SIR) has
demonstrated its potential for reducing noise and increasing accuracy. Our lab
proposed a joint statistical DECT algorithm for stopping power estimation and
showed that it outperforms competing image-based material-decomposition
methods. However, due to its slow convergence and the high computational cost
of projections, the elapsed time of 3D DECT SIR is often not clinically
acceptable. Therefore, to improve its convergence, we have embedded DECT SIR
into a deep learning model-based unrolled network for 3D DECT reconstruction
(MB-DECTNet) that can be trained in an end-to-end fashion. This deep
learning-based method is trained to learn the shortcuts between the initial
conditions and the stationary points of iterative algorithms while preserving
the unbiased estimation property of model-based algorithms. MB-DECTNet is
formed by stacking multiple update blocks, each of which consists of a data
consistency layer (DC) and a spatial mixer layer, where the spatial mixer layer
is the shrunken U-Net, and the DC layer is a one-step update of an arbitrary
traditional iterative method. Although the proposed network can be combined
with numerous iterative DECT algorithms, we demonstrate its performance with
the dual-energy alternating minimization (DEAM). The qualitative result shows
that MB-DECTNet with DEAM significantly reduces noise while increasing the
resolution of the test image. The quantitative result shows that MB-DECTNet has
the potential to estimate attenuation coefficients accurately as traditional
statistical algorithms but with a much lower computational cost.
- Abstract（参考訳）: 過去数十年間,多数のデュアルエネルギーCT(DECT)技術が開発されてきた。
デュアルエネルギーCT(DECT)統計反復再建法(SIR)はノイズ低減と精度向上の可能性を実証している。
実験室では,電力推定を停止するための共同統計DECTアルゴリズムを提案し,競合する画像ベース物質分解法より優れていることを示した。
しかし, 3次元DECT SIRは, 収束が遅く, 投射の計算コストが高いため, 臨床的には許容されないことが多い。
そこで,その収束性を向上させるために,学習モデルに基づく3次元dect再構成(mb-dectnet)のためのunrolled networkにdect sirを組み込んだ。
本手法は,モデルベースアルゴリズムの非バイアス推定特性を保ちながら,初期条件と反復アルゴリズムの定常点との間のショートカットを学習するために訓練される。
MB-DECTNetは、複数の更新ブロックを積み重ねて形成され、それぞれがデータ一貫性層(DC)と空間ミキサー層で構成され、空間ミキサー層は収縮したU-Netであり、DC層は任意の伝統的な反復法のワンステップ更新である。
提案するネットワークは、多数の反復DECTアルゴリズムと組み合わせることができるが、その性能を2エネルギー交互最小化(DEAM)で実証する。
DEAMを用いたMB-DECTNetは,テスト画像の分解能を高めながらノイズを著しく低減することを示す。
定量的結果から,MB-DECTNetは従来の統計アルゴリズムよりも精度良く減衰係数を推定できるが,計算コストははるかに低い可能性が示唆された。
関連論文リスト
- BDC-Occ: Binarized Deep Convolution Unit For Binarized Occupancy Network [55.21288428359509]
既存の3D占有ネットワークは重要なハードウェアリソースを必要としており、エッジデバイスの配備を妨げている。
本稿では,バイナライズド・ディープ・コンボリューション(BDC)ユニットを提案し,バイナライズド・ディープ・コンボリューション・レイヤの数を増やしつつ性能を効果的に向上させる。
我々のBDC-Occモデルは既存の3D占有ネットワークをバイナライズするために提案したBDCユニットを適用して作成する。
論文 参考訳（メタデータ） (2024-05-27T10:44:05Z) - GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。
本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。
適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
論文 参考訳（メタデータ） (2024-02-16T17:03:08Z) - An intertwined neural network model for EEG classification in
brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。
マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-04T09:00:34Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - A Machine-learning Based Initialization for Joint Statistical Iterative
Dual-energy CT with Application to Proton Therapy [9.887533541077193]
CNNに基づくシミュレーション手法を導入し,反復アルゴリズムの計算時間を短縮する。
本手法は, 脂肪, ファントム扁桃, 筋肉組織に対する評価精度を大幅に向上させるとともに, 鑑別画像を生成する。
論文 参考訳（メタデータ） (2021-07-30T23:49:22Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Simulation of three-dimensional quantum systems with projected
entangled-pair states [0.0]
無限射影対合対状態(iPEPS)の2つの縮約手法を3次元で開発・ベンチマークする。
最初のアプローチは、完全な3Dネットワークを近似する効果的な環境を含むテンソルの有限クラスタの収縮に基づいている。
第2のアプローチは、まずネットワークの層を境界iPEPSで反復的に収縮させ、続いて得られた準2Dネットワークを収縮させることにより、ネットワークの完全な収縮を行う。
論文 参考訳（メタデータ） (2021-02-12T19:00:03Z) - Neural networks for classification of strokes in electrical impedance
tomography on a 3D head model [0.0]
我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。
それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。
次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
論文 参考訳（メタデータ） (2020-11-05T14:22:05Z) - NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案
非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。
相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文 参考訳（メタデータ） (2020-10-18T17:38:48Z)
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。