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
- 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) - 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) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - FreeSeed: Frequency-band-aware and Self-guided Network for Sparse-view
CT Reconstruction [34.91517935951518]
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。
論文 参考訳（メタデータ） (2023-07-12T03:39:54Z) - Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT
Reconstruction [6.907847093036819]
スパースビューCT(Sparse-view Computed Tomography)は、放射線線量を大幅に削減するために用いられるが、深刻な画像アーティファクトに悩まされる。
Sparse-view CT 再構成のための深層学習法が注目されている。
スパースビューCT再構成のためのパッチベース denoising diffusion probabilistic model (DDPM) を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:35:36Z) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳（メタデータ） (2022-04-19T16:21:36Z) - 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) - OT-driven Multi-Domain Unsupervised Ultrasound Image Artifact Removal
using a Single CNN [36.574477281492]
超音波イメージング(US)は、様々なソースの異なる画像アーティファクトに悩まされることが多い。
我々は、単一のニューラルネットワークを使って、異なるタイプの米国のアーティファクトを処理できる、新しい、教師なしのディープラーニングアプローチを提案する。
我々のアルゴリズムは、カスケードされた確率測度に対する最適輸送(OT)理論を用いて厳密に導出される。
論文 参考訳（メタデータ） (2020-07-10T07:11:04Z) - 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)
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。