論文の概要: Multi-stage Deep Learning Artifact Reduction for Computed Tomography
- arxiv url: http://arxiv.org/abs/2309.00494v1
- Date: Fri, 1 Sep 2023 14:40:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 13:09:26.080483
- Title: Multi-stage Deep Learning Artifact Reduction for Computed Tomography
- Title（参考訳）: コンピュータトモグラフィーのための多段階ディープラーニングアーチファクト削減
- Authors: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Computed Tomography (CT), an image of the interior structure of an object
is computed from a set of acquired projection images. The quality of these
reconstructed images is essential for accurate analysis, but this quality can
be degraded by a variety of imaging artifacts. To improve reconstruction
quality, the acquired projection images are often processed by a pipeline
consisting of multiple artifact-removal steps applied in various image domains
(e.g., outlier removal on projection images and denoising of reconstruction
images). These artifact-removal methods exploit the fact that certain artifacts
are easier to remove in a certain domain compared with other domains.
Recently, deep learning methods have shown promising results for artifact
removal for CT images. However, most existing deep learning methods for CT are
applied as a post-processing method after reconstruction. Therefore, artifacts
that are relatively difficult to remove in the reconstruction domain may not be
effectively removed by these methods. As an alternative, we propose a
multi-stage deep learning method for artifact removal, in which neural networks
are applied to several domains, similar to a classical CT processing pipeline.
We show that the neural networks can be effectively trained in succession,
resulting in easy-to-use and computationally efficient training. Experiments on
both simulated and real-world experimental datasets show that our method is
effective in reducing artifacts and superior to deep learning-based
post-processing.
- Abstract（参考訳）: コンピュータ断層撮影(ct)では、取得した一連の投影画像から物体の内部構造の画像を算出する。
これらの再構成画像の品質は正確な解析には不可欠であるが、この品質は様々な画像アーティファクトによって劣化させることができる。
取得した投影画像は、様々な画像領域に適用される複数のアーティファクト除去ステップ(例えば、投影画像の異常除去や再構成画像のノイズ除去)からなるパイプラインで処理されることが多い。
これらのアーティファクト削除メソッドは、特定のアーティファクトが他のドメインに比べて特定のドメインで削除しやすいという事実を利用する。
近年,CT画像のアーティファクト除去のためのディープラーニング手法が提案されている。
しかし,既存のCT深層学習法は再建後処理法として適用されている。
したがって、復元領域で除去が比較的難しい遺物は、これらの方法では効果的に除去できない。
代替として,従来のCT処理パイプラインと同様,ニューラルネットワークを複数の領域に適用する,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訓練でき、簡単に使用でき、計算的に効率的に訓練できることを示す。
シミュレーションおよび実世界の実験データセットを用いた実験により,本手法はアーティファクトの削減に有効であり,深層学習に基づく後処理に優れていることが示された。
関連論文リスト
- One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。
近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。
我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文 参考訳（メタデータ） (2024-08-14T11:47:22Z) - Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
コーンビームCT(CBCT)における画像品質向上のための深層学習技術
本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。
この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
論文 参考訳（メタデータ） (2024-03-27T13:46:01Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging
with Limited Angular Density [15.143939192429018]
本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。
ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。
限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2022-09-27T09:10:57Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - CoReD: Generalizing Fake Media Detection with Continual Representation
using Distillation [17.97648576135166]
本研究では、継続学習(CoL)、表現学習(ReL)、知識蒸留(KD)という概念を用いた継続表現法を提案する。
我々はCoReDを設計し、新しいディープフェイクおよびGAN生成合成顔データセット上で逐次ドメイン適応タスクを実行する。
提案手法は,低品質のディープフェイク映像やGAN生成画像の検出に有効であることを示す。
論文 参考訳（メタデータ） (2021-07-06T06:07:17Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。