論文の概要: Cube-Based 3D Denoising Diffusion Probabilistic Model for Cone Beam Computed Tomography Reconstruction with Incomplete Data

• arxiv url: http://arxiv.org/abs/2303.12861v1
• Date: Wed, 22 Mar 2023 18:55:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 16:35:36.223072
• Title: Cube-Based 3D Denoising Diffusion Probabilistic Model for Cone Beam Computed Tomography Reconstruction with Incomplete Data
• Title（参考訳）: 不完全データを用いたコーンビームCT再構成のための立方体3次元拡散確率モデル
• Authors: Wenjun Xia, Chuang Niu, Wenxiang Cong, Ge Wang
• Abstract要約: ダウンサンプリングデータを用いたCBCT再構成のための立方体型3次元拡散確率モデル(DDPM)を提案する。 本手法では,正弦波全体を重なり合う立方体に分割し,複数のGPUを用いて並列に処理する。 実験結果から,本手法はテクストの細部を忠実に保存しながら,少数視点のアーティファクトを効果的に抑制できることが示唆された。
• 参考スコア（独自算出の注目度）: 8.30378515771858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) has been extensively researched in the field of computed tomography (CT) reconstruction with incomplete data, particularly in sparse-view CT reconstruction. However, applying DL to sparse-view cone beam CT (CBCT) remains challenging. Many models learn the mapping from sparse-view CT images to ground truth but struggle to achieve satisfactory performance in terms of global artifact removal. Incorporating sinogram data and utilizing dual-domain information can enhance anti-artifact performance, but this requires storing the entire sinogram in memory. This presents a memory issue for high-resolution CBCT sinograms, limiting further research and application. In this paper, we propose a cube-based 3D denoising diffusion probabilistic model (DDPM) for CBCT reconstruction using down-sampled data. A DDPM network, trained on cubes extracted from paired fully sampled sinograms and down-sampled sinograms, is employed to inpaint down-sampled sinograms. Our method divides the entire sinogram into overlapping cubes and processes these cubes in parallel using multiple GPUs, overcoming memory limitations. Experimental results demonstrate that our approach effectively suppresses few-view artifacts while preserving textural details faithfully.
• Abstract（参考訳）: 深層学習(deep learning, dl)は、不完全なデータを用いたct再構成、特にスパースビューct再構成の分野で広く研究されている。 しかし,Sparse-view cone beam CT (CBCT) に対するDLの適用は依然として困難である。 多くのモデルは、スパースビューCT画像から地上の真実へのマッピングを学ぶが、グローバルアーティファクトの除去という観点からは、満足できるパフォーマンスを達成するのに苦労する。 sinogramデータとデュアルドメイン情報を利用することで、アンチアーティファクトのパフォーマンスが向上するが、これにはsinogram全体をメモリに格納する必要がある。 これは高分解能CBCTシングラムのメモリ問題を示し、さらなる研究と応用を制限している。 本稿では、ダウンサンプリングデータを用いたCBCT再構成のための立方体型3次元拡散確率モデル(DDPM)を提案する。 完全にサンプリングされたシングラムとダウンサンプリングされたシングラムから抽出された立方体に基づいて訓練されたDDPMネットワークを用いて、ダウンサンプリングされたシングラムを塗布する。 提案手法では,シンノグラム全体を重なり合う立方体に分割し,複数のgpuを用いて並列に処理し,メモリ制限を克服する。 実験結果から,本手法はテクストの細部を忠実に保存しながら,少数視点のアーティファクトを効果的に抑制することを示した。

関連論文リスト

• X-Recon: Learning-based Patient-specific High-Resolution CT Reconstruction from Orthogonal X-Ray Images [14.04604990570727]
  X-Reconは、左右胸部X線画像に基づく再構成ネットワークである。 PTX-Segはゼロショット気胸セグメンテーションアルゴリズムである。 再現度はピーク信号対雑音比を含むいくつかの指標で最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-07-22T03:55:36Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Prior Frequency Guided Diffusion Model for Limited Angle (LA)-CBCT Reconstruction [2.960150120524893]
  コーンビームCT(CBCT)は画像誘導放射線療法に広く用いられている。 LA-CBCT再建は、深刻なアンダーサンプリングアーティファクトに悩まされ、非常に不良な逆問題となる。 LA-CBCT再構成のための拡散モデルに基づく事前周波数誘導拡散モデル(PFGDM)を開発した。
  論文  参考訳（メタデータ） (2024-04-01T19:41:33Z)
• Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
  Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。 本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。 提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
  論文  参考訳（メタデータ） (2024-03-06T08:51:09Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Diffusion Prior Regularized Iterative Reconstruction for Low-dose CT [9.866443235747287]
  拡散前に正規化された反復的再構成アルゴリズムを導入する。 また、ネステロフ運動量加速技術も取り入れた。 本手法は,高分解能CT画像の再構成を最小限の放射線で行うことが可能である。
  論文  参考訳（メタデータ） (2023-10-10T19:08:57Z)
• 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)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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)
• AI-Enabled Ultra-Low-Dose CT Reconstruction [8.135337706680097]
  本稿では,X線撮影と同等の低線量で画像品質を診断できるAIを用いたCT再構成法を提案する。 臨床データセットの再構成結果から,36個のプロジェクションからのSUGARを用いて優れた画像の再構成が可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-17T22:13:11Z)

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。