Fugu-MT 論文翻訳(概要): Learned Alternating Minimization Algorithm for Dual-domain Sparse-View CT Reconstruction

論文の概要: Learned Alternating Minimization Algorithm for Dual-domain Sparse-View CT Reconstruction

arxiv url: http://arxiv.org/abs/2306.02644v1
Date: Mon, 5 Jun 2023 07:29:18 GMT
ステータス: 処理完了
システム内更新日: 2023-06-06 16:29:58.850258
Title: Learned Alternating Minimization Algorithm for Dual-domain Sparse-View CT Reconstruction
Title（参考訳）: デュアルドメインスパースCT再構成のための学習置換最小化アルゴリズム
Authors: Chi Ding, Qingchao Zhang, Ge Wang, Xiaojing Ye and Yunmei Chen
Abstract要約: デュアルドメインビューCT画像再構成のための新しい学習最小化アルゴリズム(LAMA)を提案する。 LAMAは信頼性の高い再構築のために確実に収束している。
参考スコア（独自算出の注目度）: 6.353014736326698
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel Learned Alternating Minimization Algorithm (LAMA) for dual-domain sparse-view CT image reconstruction. LAMA is naturally induced by a variational model for CT reconstruction with learnable nonsmooth nonconvex regularizers, which are parameterized as composite functions of deep networks in both image and sinogram domains. To minimize the objective of the model, we incorporate the smoothing technique and residual learning architecture into the design of LAMA. We show that LAMA substantially reduces network complexity, improves memory efficiency and reconstruction accuracy, and is provably convergent for reliable reconstructions. Extensive numerical experiments demonstrate that LAMA outperforms existing methods by a wide margin on multiple benchmark CT datasets.
Abstract（参考訳）: 両領域のスパース・ビューCT画像再構成のためのLearned Alternating Minimization Algorithm (LAMA)を提案する。 lamaは、画像領域とシンノグラム領域の両方のディープネットワークの複合関数としてパラメータ化される学習可能な非スムース非凸正規化子を用いたct再構成のための変分モデルによって自然に誘導される。モデルの目的を最小化するために,スムース化手法と残差学習アーキテクチャをlamaの設計に取り入れる。 LAMAはネットワークの複雑さを大幅に減らし、メモリ効率と再構築精度を向上し、信頼性の高い再構築に確実に収束していることを示す。大規模な数値実験により、LAMAは、複数のベンチマークCTデータセットにおいて、既存の手法よりも広いマージンで優れていることが示された。

関連論文リスト

LAMA: Stable Dual-Domain Deep Reconstruction For Sparse-View CT [4.573246328161056]
我々は,2ブロック最適化による問題を解決するための学習交替最小化アルゴリズム (LAMA) を開発した。 LAMAはデータ領域と画像領域の両方で学習可能な正規化子を持つ変分モデルとして自然に誘導される。 LAMAは、ネットワークの複雑さ、メモリ効率、再構成精度、安定性、解釈可能性を低減する。
論文参考訳（メタデータ） (2024-10-28T15:13:04Z)
MVMS-RCN: A Dual-Domain Unfolding CT Reconstruction with Multi-sparse-view and Multi-scale Refinement-correction [9.54126979075279]
スパースビューCTは、低線量へのプロジェクションビューの数を減少させる。既存の深層学習(DL)と深部展開スパルスCT再構成法では,プロジェクションデータを完全には利用していない。本稿では,スパルス・ビュー・トモグラフィー再構成のための数学的アイデアと最適DLイメージングアルゴリズムの設計を目的とする。
論文参考訳（メタデータ） (2024-05-27T13:01:25Z)
Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文参考訳（メタデータ） (2023-03-16T21:06:13Z)
Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。本手法は既存の手法に対して最先端の手法を実現する。
論文参考訳（メタデータ） (2022-12-03T14:44:17Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Self-Supervised Coordinate Projection Network for Sparse-View Computed Tomography [31.774432128324385]
本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
論文参考訳（メタデータ） (2022-09-12T06:14:04Z)
Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
論文参考訳（メタデータ） (2022-06-01T20:16:28Z)
Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文参考訳（メタデータ） (2022-03-26T01:42:59Z)
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)
Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT Image Reconstruction [12.37556184089774]
教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を開発した。提案フレームワークは、画像の古典的スカラー化変換モデルを、Multi-lAyer Residual Sparsifying transform (MARS)モデルに拡張する。限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
論文参考訳（メタデータ） (2020-10-10T09:04:43Z)
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。