論文の概要: DULDA: Dual-domain Unsupervised Learned Descent Algorithm for PET image reconstruction

• arxiv url: http://arxiv.org/abs/2303.04661v1
• Date: Wed, 8 Mar 2023 15:29:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 13:27:35.408520
• Title: DULDA: Dual-domain Unsupervised Learned Descent Algorithm for PET image reconstruction
• Title（参考訳）: dulda:pet画像再構成のための教師なし学習降下アルゴリズム
• Authors: Rui Hu, Yunmei Chen, Kyungsang Kim, Marcio Aloisio Bezerra Cavalcanti Rockenbach, Quanzheng Li, Huafeng Liu
• Abstract要約: そこで本研究では,学習された適切なアルゴリズムに基づいて,二重領域の非教師付きPET画像再構成手法を提案する。 具体的には、PET画像再構成問題に対して、学習可能なl2,1ノルムで勾配法をアンロールする。 実験結果から,提案手法の性能を最大予測最大化(MLEM),全変量正規化EM(EM-TV),深部画像優先法(DIP)と比較した。
• 参考スコア（独自算出の注目度）: 18.89418916531878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based PET image reconstruction methods have achieved promising results recently. However, most of these methods follow a supervised learning paradigm, which rely heavily on the availability of high-quality training labels. In particular, the long scanning time required and high radiation exposure associated with PET scans make obtaining this labels impractical. In this paper, we propose a dual-domain unsupervised PET image reconstruction method based on learned decent algorithm, which reconstructs high-quality PET images from sinograms without the need for image labels. Specifically, we unroll the proximal gradient method with a learnable l2,1 norm for PET image reconstruction problem. The training is unsupervised, using measurement domain loss based on deep image prior as well as image domain loss based on rotation equivariance property. The experimental results domonstrate the superior performance of proposed method compared with maximum likelihood expectation maximazation (MLEM), total-variation regularized EM (EM-TV) and deep image prior based method (DIP).
• Abstract（参考訳）: 近年,ディープラーニングに基づくPET画像再構成手法が有望な成果を上げている。 しかし、これらの手法の多くは、高品質なトレーニングラベルの可用性に大きく依存する教師あり学習パラダイムに従っている。 特に、PETスキャンに伴う長時間の走査時間と高い放射線曝露は、このラベルを得るのを非現実的にする。 本稿では, 画像ラベルを必要とせず, 高品質なPET画像から高画質なPET画像を再構成する, 学習精度の高いアルゴリズムに基づく2領域非教師付きPET画像再構成手法を提案する。 具体的には、PET画像再構成問題に対して、学習可能なl2,1ノルムを用いて近位勾配法をアンロールする。 トレーニングは、深部画像に基づく測定領域の損失と回転同値性に基づく画像領域の損失を用いて教師なしである。 実験により,提案手法の性能は,最大推定予測最大化(MLEM),全変量正規化EM(EM-TV),深部画像優先法(DIP)と比較して向上した。

関連論文リスト

• LegoPET: Hierarchical Feature Guided Conditional Diffusion for PET Image Reconstruction [0.7366405857677227]
  ホログラムからの高画質PET画像再構成のための階層的特徴ガイド付き条件拡散モデルであるLegoPETを紹介する。 LegoPETは、cDPMの性能を向上するだけでなく、最近のDLベースのPET画像再構成技術を、視覚的品質とピクセルレベルのPSNR/SSIMメトリクスで上回っている。
  論文  参考訳（メタデータ） (2024-11-25T18:05:34Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET Image Reconstruction [47.398304117228584]
  LPETから高品質なSPET画像を再構成する3DポイントベースのコンテキストクラスタGAN(PCC-GAN)を提案する。 臨床とファントムの両方の実験により、PCC-GANは最先端の再建方法よりも優れています。
  論文  参考訳（メタデータ） (2024-02-01T06:47:56Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• Fully 3D Implementation of the End-to-end Deep Image Prior-based PET Image Reconstruction Using Block Iterative Algorithm [0.0]
  Deep Image prior (DIP) はPET画像再構成により注目されている。 本稿では, エンドツーエンドDIPベースの完全3次元PET画像再構成手法の実装を初めて試みる。
  論文  参考訳（メタデータ） (2022-12-22T16:25:58Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
  畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。 深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。 提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
  論文  参考訳（メタデータ） (2021-09-02T08:07:58Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。