論文の概要: FreeSeed: Frequency-band-aware and Self-guided Network for Sparse-view CT Reconstruction

• arxiv url: http://arxiv.org/abs/2307.05890v1
• Date: Wed, 12 Jul 2023 03:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 14:29:18.898253
• Title: FreeSeed: Frequency-band-aware and Self-guided Network for Sparse-view CT Reconstruction
• Title（参考訳）: FreeSeed:Sparse-view CT再構成のための周波数帯域認識と自己誘導ネットワーク
• Authors: Chenglong Ma, Zilong Li, Junping Zhang, Yi Zhang, Hongming Shan
• Abstract要約: スパース・ビュー・コンピュート・トモグラフィー(CT)は, 患者への放射線曝露を迅速化し, 患者への放射線照射を緩和するための, 有望な方法である。 近年,深層学習に基づく画像後処理手法が有望な成果を上げている。 本稿では,FREquency-band-awarEとSelf-guidedを併用したFREquency-band-awarEとSelf-guidedネットワークを提案する。
• 参考スコア（独自算出の注目度）: 34.91517935951518
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sparse-view computed tomography (CT) is a promising solution for expediting the scanning process and mitigating radiation exposure to patients, the reconstructed images, however, contain severe streak artifacts, compromising subsequent screening and diagnosis. Recently, deep learning-based image post-processing methods along with their dual-domain counterparts have shown promising results. However, existing methods usually produce over-smoothed images with loss of details due to (1) the difficulty in accurately modeling the artifact patterns in the image domain, and (2) the equal treatment of each pixel in the loss function. To address these issues, we concentrate on the image post-processing and propose a simple yet effective FREquency-band-awarE and SElf-guidED network, termed FreeSeed, which can effectively remove artifact and recover missing detail from the contaminated sparse-view CT images. Specifically, we first propose a frequency-band-aware artifact modeling network (FreeNet), which learns artifact-related frequency-band attention in Fourier domain for better modeling the globally distributed streak artifact on the sparse-view CT images. We then introduce a self-guided artifact refinement network (SeedNet), which leverages the predicted artifact to assist FreeNet in continuing to refine the severely corrupted details. Extensive experiments demonstrate the superior performance of FreeSeed and its dual-domain counterpart over the state-of-the-art sparse-view CT reconstruction methods. Source code is made available at https://github.com/Masaaki-75/freeseed.
• Abstract（参考訳）: スパースビューct(sparse-view ct、ct)は、スキャンプロセスの迅速化と患者への放射線被曝の軽減に有望な解決策であるが、再構成された画像には重度のストリークアーティファクトが含まれており、その後のスクリーニングと診断を阻害している。 近年,深層学習に基づく画像ポストプロセッシング手法とデュアルドメイン対応手法が有望な結果を示している。 しかし,既存の手法では,(1)画像領域のアーティファクトパターンを正確にモデル化することの難しさ,(2)損失関数における各ピクセルの平等な処理などにより,細部が不明瞭な画像を生成することが多い。 そこで我々は,これらの問題に対処するため,画像のポストプロセッシングに重点を置き,簡易かつ効果的な周波数帯域認識・自己誘導型ネットワークであるfreeseedを提案する。 具体的には,まず周波数帯域アウェアアーティファクトモデリングネットワーク(freenet)を提案する。これはフーリエ領域におけるアーティファクト関連周波数帯域アテンションを学習し,スパースビューct画像上のグローバルに分散したストリークアーティファクトのモデリングを改善する。 次に、予測されたアーティファクトを活用する自己誘導のアーティファクトリファインメントネットワーク(SeedNet)を導入し、FreeNetが悪化した詳細を洗練し続けるのを支援します。 広汎な実験は、最先端のスパース・ビューCT再構成法よりもFreeSeedとその二重ドメインの優れた性能を示す。 ソースコードはhttps://github.com/masaaki-75/freeseedで入手できる。

関連論文リスト

• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 そして、学習したアーティファクト検出器を第2段階に巻き込み、各画像に画素ごとの信頼マップを割り当てて拡散モデルをチューニングする。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• 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)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• TD-Net: A Tri-domain network for sparse-view CT reconstruction [16.40734977207315]
  TD-Netは、シングラム、画像、周波数領域最適化を統一する先駆的な三領域アプローチである。 複雑な詳細を十分に保存し、過度にスムースな問題を克服する。 様々なノイズシナリオにおけるTD-Netの機能強化は、医療画像のブレークスルーとしての可能性を強調している。
  論文  参考訳（メタデータ） (2023-11-26T17:48:53Z)
• Unpaired Optical Coherence Tomography Angiography Image Super-Resolution via Frequency-Aware Inverse-Consistency GAN [6.717440708401628]
  本稿では,GANに基づくOCTA画像の非ペア化超解像法を提案する。 また,再構成画像の正確なスペクトル化を容易にするため,識別器の周波数認識による逆方向の損失も提案する。 実験により,本手法は,他の最先端の未経験手法よりも定量的,視覚的に優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-29T14:19:51Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• 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)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• U-DuDoNet: Unpaired dual-domain network for CT metal artifact reduction [12.158957925558296]
  非ペア化データを用いた非ペア化デュアルドメインネットワーク(u-dudonet)を提案する。 アーティファクト・ディエンタングルメント・ネットワーク (ADN) とは異なり、U-DuDoNet は正弦波と画像領域の両方に付加することでアーティファクト生成プロセスをモデル化します。 私たちのデザインには、シングラムドメイン内の情報を復元するためのガイダンスを提供する自己学習シングラム事前ネットが含まれています。
  論文  参考訳（メタデータ） (2021-03-08T05:19:15Z)
• DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction [15.225899631788973]
  金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。 CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。 MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-02-16T08:09:16Z)

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。