論文の概要: Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2306.15203v2
• Date: Sun, 1 Oct 2023 11:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-03 13:52:14.378515
• Title: Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction
• Title（参考訳）: ct金属アーティファクト低減のための教師なし多色神経表現
• Authors: Qing Wu, Lixuan Chen, Ce Wang, Hongjiang Wei, S. Kevin Zhou, Jingyi Yu, Yuyao Zhang
• Abstract要約: 人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。 私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 48.1445005916672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging neural reconstruction techniques based on tomography (e.g., NeRF, NeAT, and NeRP) have started showing unique capabilities in medical imaging. In this work, we present a novel Polychromatic neural representation (Polyner) to tackle the challenging problem of CT imaging when metallic implants exist within the human body. CT metal artifacts arise from the drastic variation of metal's attenuation coefficients at various energy levels of the X-ray spectrum, leading to a nonlinear metal effect in CT measurements. Recovering CT images from metal-affected measurements hence poses a complicated nonlinear inverse problem where empirical models adopted in previous metal artifact reduction (MAR) approaches lead to signal loss and strongly aliased reconstructions. Polyner instead models the MAR problem from a nonlinear inverse problem perspective. Specifically, we first derive a polychromatic forward model to accurately simulate the nonlinear CT acquisition process. Then, we incorporate our forward model into the implicit neural representation to accomplish reconstruction. Lastly, we adopt a regularizer to preserve the physical properties of the CT images across different energy levels while effectively constraining the solution space. Our Polyner is an unsupervised method and does not require any external training data. Experimenting with multiple datasets shows that our Polyner achieves comparable or better performance than supervised methods on in-domain datasets while demonstrating significant performance improvements on out-of-domain datasets. To the best of our knowledge, our Polyner is the first unsupervised MAR method that outperforms its supervised counterparts. The code for this work is available at: https://github.com/iwuqing/Polyner.
• Abstract（参考訳）: トモグラフィー(例えば、NeRF、NeAT、NeRP)に基づく新しい神経再構成技術は、医用画像に特有の機能を示すようになった。 本研究では,人体に金属インプラントが存在する場合のCTイメージングの課題に取り組むために,新しいポリクロマティックニューラル表現(ポリナー)を提案する。 CT金属アーティファクトは、X線スペクトルの様々なエネルギーレベルにおける金属の減衰係数の劇的な変化から生じ、CT測定における非線形金属効果をもたらす。 金属の影響によるCT画像の復元は、従来の金属アーチファクトリダクション(MAR)アプローチで採用された経験的モデルが信号損失と強いエイリアスド再構築をもたらす複雑な非線形逆問題を引き起こす。 ポリナーは、非線形逆問題の観点から MAR 問題をモデル化する。 具体的には、まず、非線形CT取得過程を正確にシミュレートする多色前方モデルを導出する。 そして,前向きモデルを暗黙のニューラル表現に組み込んで再構築を行う。 最後に, 解空間を効果的に制約しながら, エネルギーレベルの異なるCT画像の物理的特性を保存するために, 正則化器を採用する。 我々のPolynerは教師なしのメソッドであり、外部のトレーニングデータを必要としない。 複数のデータセットを実験した結果、ポリナーはドメイン内データセットの教師付きメソッドと同等あるいは優れたパフォーマンスを達成でき、ドメイン外データセットでは大幅なパフォーマンス改善が得られました。 我々の知る限りでは、Polynerは教師なしのMAR法で、教師なしの手法よりも優れています。 この作業のコードは、https://github.com/iwuqing/Polyner.comで公開されている。

関連論文リスト

• Unsupervised Density Neural Representation for CT Metal Artifact Reduction [45.28053148579478]
  本稿では,スキャン対象が金属を含む場合のCT金属アーチファクトの問題に対処するために,教師なし密度神経表現(ダイナー)を提案する。 既存の金属人工物還元(MAR)技術は、主にエネルギー誘起BHEを無視したイメージインペイントタスクとしてMARを定式化している。 我々は,エネルギー依存型LACをエネルギー非依存密度とエネルギー依存型質量減衰係数(MAC)に分解し,X線吸収の物理モデルを完全に検討した。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
  計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。 金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
  論文  参考訳（メタデータ） (2023-10-06T00:47:57Z)
• Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains [8.40564813751161]
  金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。 金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。 本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T14:00:47Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• 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)
• Metal Artifact Reduction in 2D CT Images with Self-supervised Cross-domain Learning [30.977044473457]
  金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。 我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。 次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
  論文  参考訳（メタデータ） (2021-09-28T04:40:57Z)
• Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework [1.1374919153601266]
  金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 MRIでは、感受性アーチファクトを修正する方法がまだ導入されていない。 マルチモーダルMARのための教師なしディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T14:12:00Z)

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。