論文の概要: Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains

• arxiv url: http://arxiv.org/abs/2308.16742v1
• Date: Thu, 31 Aug 2023 14:00:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:14:23.607229
• Title: Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
• Title（参考訳）: 二重領域における拡散前処理による非教師付きCT金属アーチファクトの低減
• Authors: Xuan Liu, Yaoqin Xie, Songhui Diao, Shan Tan, and Xiaokun Liang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.40564813751161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the process of computed tomography (CT), metallic implants often cause disruptive artifacts in the reconstructed images, impeding accurate diagnosis. Several supervised deep learning-based approaches have been proposed for reducing metal artifacts (MAR). However, these methods heavily rely on training with simulated data, as obtaining paired metal artifact CT and clean CT data in clinical settings is challenging. This limitation can lead to decreased performance when applying these methods in clinical practice. Existing unsupervised MAR methods, whether based on learning or not, typically operate within a single domain, either in the image domain or the sinogram domain. In this paper, we propose an unsupervised MAR method based on the diffusion model, a generative model with a high capacity to represent data distributions. Specifically, we first train a diffusion model using CT images without metal artifacts. Subsequently, we iteratively utilize the priors embedded within the pre-trained diffusion model in both the sinogram and image domains to restore the degraded portions caused by metal artifacts. This dual-domain processing empowers our approach to outperform existing unsupervised MAR methods, including another MAR method based on the diffusion model, which we have qualitatively and quantitatively validated using synthetic datasets. Moreover, our method demonstrates superior visual results compared to both supervised and unsupervised methods on clinical datasets.
• Abstract（参考訳）: CT(Computed tomography)の過程において、金属インプラントはしばしば再構成画像に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。 金属アーティファクト(MAR)を減らすための教師付きディープラーニングベースのアプローチがいくつか提案されている。 しかし、これらの手法は、臨床現場で一対の金属アーティファクトctとクリーンctデータを得ることが困難であるため、シミュレーションデータによるトレーニングに大きく依存している。 この制限は、臨床にこれらの方法を適用する際のパフォーマンスを低下させる可能性がある。 既存の教師なしのMARメソッドは、学習するかどうかに関わらず、通常、イメージドメインまたはシングラムドメインのいずれかで単一のドメイン内で動作する。 本稿では,データ分布を表現する能力の高い生成モデルである拡散モデルに基づく教師なしmar法を提案する。 具体的には,金属加工品を使わずにCT画像を用いて拡散モデルを訓練する。 次に,事前学習した拡散モデルに埋め込まれたプリエントをシンノグラムと画像領域の両方で反復的に活用し,金属アーティファクトによる劣化部分の復元を行う。 このデュアルドメイン処理により、我々は既存の教師なしmarメソッドよりも優れており、また拡散モデルに基づく他のmarメソッドは、合成データセットを用いて定性的かつ定量的に検証されている。 さらに, 臨床データを用いた教師なし, 教師なしの方法と比較して, 視覚的に優れた結果を示した。

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)
• Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
  金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
  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。
  論文  参考訳（メタデータ） (2023-06-27T04:50:58Z)
• Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising [10.854795474105366]
  低線量CT画像のデノイングは医用画像処理において重要な課題である。 既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。 低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T09:38:52Z)
• 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)
• 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。