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

• 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)
• 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)
• Multi-stage Deep Learning Artifact Reduction for Computed Tomography [0.0]
  本稿では,ニューラルネットワークを複数の領域に適用した人工物除去のための多段階ディープラーニング手法を提案する。 ニューラルネットワークは、逐次的に効果的にトレーニングでき、簡単に使用でき、計算的に効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:40:25Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• 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)
• Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
  振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。 最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。 ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
  論文  参考訳（メタデータ） (2021-10-09T16:09:27Z)
• 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。