論文の概要: Enhancing Super-Resolution Networks through Realistic Thick-Slice CT
Simulation
- arxiv url: http://arxiv.org/abs/2307.10182v1
- Date: Sun, 2 Jul 2023 11:09:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 11:36:15.807099
- Title: Enhancing Super-Resolution Networks through Realistic Thick-Slice CT
Simulation
- Title(参考訳): Realistic Thick-Slice CT シミュレーションによる超解像ネットワークの強化
- Authors: Zeyu Tang, Xiaodan Xing and Guang Yang
- Abstract要約: 本研究の目的は, 濃厚なCT画像を生成するための革新的なシミュレーションアルゴリズムを開発し, 評価することである。
提案手法はPak Signal-to-Noise Ratio (PSNR) とRoot Mean Square Error (RMSE) を用いて評価した。
新たなアルゴリズムによって生成されたデータを用いて訓練すると、4つのSRモデルすべてが性能が向上した。
- 参考スコア(独自算出の注目度): 1.711876685506149
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study aims to develop and evaluate an innovative simulation algorithm
for generating thick-slice CT images that closely resemble actual images in the
AAPM-Mayo's 2016 Low Dose CT Grand Challenge dataset. The proposed method was
evaluated using Peak Signal-to-Noise Ratio (PSNR) and Root Mean Square Error
(RMSE) metrics, with the hypothesis that our simulation would produce images
more congruent with their real counterparts. Our proposed method demonstrated
substantial enhancements in terms of both PSNR and RMSE over other simulation
methods. The highest PSNR values were obtained with the proposed method,
yielding 49.7369 $\pm$ 2.5223 and 48.5801 $\pm$ 7.3271 for D45 and B30
reconstruction kernels, respectively. The proposed method also registered the
lowest RMSE with values of 0.0068 $\pm$ 0.0020 and 0.0108 $\pm$ 0.0099 for D45
and B30, respectively, indicating a distribution more closely aligned with the
authentic thick-slice image. Further validation of the proposed simulation
algorithm was conducted using the TCIA LDCT-and-Projection-data dataset. The
generated images were then leveraged to train four distinct super-resolution
(SR) models, which were subsequently evaluated using the real thick-slice
images from the 2016 Low Dose CT Grand Challenge dataset. When trained with
data produced by our novel algorithm, all four SR models exhibited enhanced
performance.
- Abstract(参考訳): 本研究は,AAPM-Mayoの2016 Low Dose CT Grand Challengeデータセットにおいて,実際の画像によく似た濃厚なCT画像を生成するための革新的なシミュレーションアルゴリズムを開発し,評価することを目的とする。
提案手法はピーク信号対雑音比 (psnr) と根平均二乗誤差 (rmse) の指標を用いて評価し, シミュレーションにより実際の画像とより一致した画像を生成すると仮定した。
提案手法は,PSNR法とRMSE法の両方で他のシミュレーション法よりも大幅に向上した。
提案手法により最も高いpsnr値が得られ、それぞれ49.7369 $\pm$ 2.5223 と 48.5801 $\pm$ 7.3271 が得られた。
提案手法は,D45およびB30に対してそれぞれ0.0068$\pm$ 0.0020,0.0108$\pm$ 0.0099の値で最低のRMSEを登録し,より密集した分布を示す。
TCIA LDCT- and-Projection-dataデータセットを用いてシミュレーションアルゴリズムのさらなる検証を行った。
生成された画像は4つの異なる超解像モデル(SR)を訓練するために利用され、その後2016年の低線CTグランドチャレンジデータセットの実際の厚画像を用いて評価された。
新たなアルゴリズムによって生成されたデータを用いてトレーニングすると,4つのsrモデルで性能が向上した。
関連論文リスト
- Latent Consistency Models: Synthesizing High-Resolution Images with
Few-Step Inference [60.32804641276217]
本稿では,LCM(Latent Consistency Models)を提案する。
高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。
また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
論文 参考訳(メタデータ) (2023-10-06T17:11:58Z) - 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) - Synthetic CT Generation from MRI using 3D Transformer-based Denoising
Diffusion Model [2.232713445482175]
磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。
本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
論文 参考訳(メタデータ) (2023-05-31T00:32:00Z) - CDPMSR: Conditional Diffusion Probabilistic Models for Single Image
Super-Resolution [91.56337748920662]
拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。
単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。
本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
論文 参考訳(メタデータ) (2023-02-14T15:13:33Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳(メタデータ) (2022-12-07T13:39:23Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳(メタデータ) (2022-04-21T06:36:10Z) - Sinogram upsampling using Primal-Dual UNet for undersampled CT and
radial MRI reconstruction [0.4199844472131921]
Primal-Dual ネットワークは、疎サンプリングされたCTデータを再構成するためのディープラーニングベースの手法である。
本稿では,Primal-Dual UNetを導入し,精度と再構築速度の点でPrimal-Dualネットワークを改善した。
論文 参考訳(メタデータ) (2021-12-26T19:31:34Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。
様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。
CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
論文 参考訳(メタデータ) (2021-10-17T10:47:29Z) - Exploring Generative Adversarial Networks for Image-to-Image Translation
in STEM Simulation [0.0]
畳み込み法により生成されたSTEM画像を高精度なマルチスライス画像の予測に変換しようとする深層学習モデルについて検討する。
ディープラーニングモデルであるGenerative Adrial Network(GAN)を使用することで、最適な結果が得られ、同一データセット上の従来の回帰モデルと同等の精度で処理できることがわかった。
論文 参考訳(メタデータ) (2020-10-29T02:14:57Z) - A New Mask R-CNN Based Method for Improved Landslide Detection [54.7905160534631]
本稿では,Mask R-CNN機能を利用した地すべり検出手法を提案する。
地すべり及び非地すべり画像を含む160個の要素からなるデータセットを作成する。
提案アルゴリズムは丘陵地帯の土地利用計画立案者や政策立案者にとって潜在的に有用である。
論文 参考訳(メタデータ) (2020-10-04T07:46:37Z)
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。