論文の概要: Multi-stage Deep Learning Artifact Reduction for Pallel-beam Computed Tomography
- arxiv url: http://arxiv.org/abs/2309.00494v2
- Date: Fri, 17 Jan 2025 10:31:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-20 13:58:03.045664
- Title: Multi-stage Deep Learning Artifact Reduction for Pallel-beam Computed Tomography
- Title（参考訳）: Pallel-beam CT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: トモグラフィーパイプライン投影,シノグラム,再構成の各段階で個別のディープラーニングモデルを組み込んで,データ駆動方式で特定のアーティファクトを局所的に処理する手法を提案する。
提案手法は,前段階からの出力と生データを後段に供給するバイパス接続を含み,エラー伝播のリスクを最小限に抑える。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Computed Tomography (CT) using synchrotron radiation is a powerful technique that, compared to lab-CT techniques, boosts high spatial and temporal resolution while also providing access to a range of contrast-formation mechanisms. The acquired projection data is typically processed by a computational pipeline composed of multiple stages. Artifacts introduced during data acquisition can propagate through the pipeline, and degrade image quality in the reconstructed images. Recently, deep learning has shown significant promise in enhancing image quality for images representing scientific data. This success has driven increasing adoption of deep learning techniques in CT imaging. Various approaches have been proposed to incorporate deep learning into computational pipelines, but each has limitations in addressing artifacts effectively and efficiently in synchrotron CT, either in properly addressing the specific artifacts, or in computational efficiency. Recognizing these challenges, we introduce a novel method that incorporates separate deep learning models at each stage of the tomography pipeline-projection, sinogram, and reconstruction-to address specific artifacts locally in a data-driven way. Our approach includes bypass connections that feed both the outputs from previous stages and raw data to subsequent stages, minimizing the risk of error propagation. Extensive evaluations on both simulated and real-world datasets illustrate that our approach effectively reduces artifacts and outperforms comparison methods.
- Abstract（参考訳）: シンクロトロン放射を用いたCT(Computed Tomography)は、ラボCT技術と比較して、高空間分解能と時間分解能を高めながら、コントラスト形成機構の幅広い領域へのアクセスを提供する強力な技術である。
取得した投影データは、通常、複数のステージからなる計算パイプラインによって処理される。
データ取得時に導入されたアーティファクトはパイプラインを介して伝播し、再構成された画像の画質を劣化させる。
近年, 深層学習は, 科学的データを表す画像の画質向上に大きく貢献している。
この成功は、CT画像におけるディープラーニング技術の採用を加速させた。
ディープラーニングを計算パイプラインに組み込むための様々なアプローチが提案されているが、それぞれがシンクロトロンCTにおいて、特定のアーティファクトに適切に対処するか、あるいは計算効率に対処する際の制限がある。
これらの課題を認識し、トモグラフィーパイプライン投影、シノグラム、再構成の各段階で個別のディープラーニングモデルを組み込んだ新しい手法を導入し、データ駆動方式で特定のアーティファクトを局所的に処理する。
提案手法は,前段階からの出力と生データを後段に供給するバイパス接続を含み,エラー伝播のリスクを最小限に抑える。
シミュレーションと実世界の両方のデータセットに対する大規模な評価は、我々のアプローチがアーティファクトを効果的に削減し、比較方法より優れていることを示している。
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。