論文の概要: Diffusion Posterior Sampling for Nonlinear CT Reconstruction
- arxiv url: http://arxiv.org/abs/2312.01464v1
- Date: Sun, 3 Dec 2023 17:20:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 17:24:29.696933
- Title: Diffusion Posterior Sampling for Nonlinear CT Reconstruction
- Title(参考訳): 非線形CT再構成のための拡散後方サンプリング
- Authors: Shudong Li, Matthew Tivnan, Yuan Shen, J. Webster Stayman
- Abstract要約: 拡散後方サンプリングは, 高品質なCT画像の高画質化に用いられている。
現在の方法では、画像の再構成や復元にX線CT物理の線形モデルにのみ依存している。
本研究では,拡散後サンプリングによる非線形CT画像再構成の逆問題を解決する手法を提案する。
- 参考スコア(独自算出の注目度): 19.06866780172265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have been demonstrated as powerful deep learning tools for
image generation in CT reconstruction and restoration. Recently, diffusion
posterior sampling, where a score-based diffusion prior is combined with a
likelihood model, has been used to produce high quality CT images given
low-quality measurements. This technique is attractive since it permits a
one-time, unsupervised training of a CT prior; which can then be incorporated
with an arbitrary data model. However, current methods only rely on a linear
model of x-ray CT physics to reconstruct or restore images. While it is common
to linearize the transmission tomography reconstruction problem, this is an
approximation to the true and inherently nonlinear forward model. We propose a
new method that solves the inverse problem of nonlinear CT image reconstruction
via diffusion posterior sampling. We implement a traditional unconditional
diffusion model by training a prior score function estimator, and apply Bayes
rule to combine this prior with a measurement likelihood score function derived
from the nonlinear physical model to arrive at a posterior score function that
can be used to sample the reverse-time diffusion process. This plug-and-play
method allows incorporation of a diffusion-based prior with generalized
nonlinear CT image reconstruction into multiple CT system designs with
different forward models, without the need for any additional training. We
develop the algorithm that performs this reconstruction, including an
ordered-subsets variant for accelerated processing and demonstrate the
technique in both fully sampled low dose data and sparse-view geometries using
a single unsupervised training of the prior.
- Abstract(参考訳): 拡散モデルはCTの再構成と復元における画像生成のための強力なディープラーニングツールとして実証されてきた。
近年,高画質CT画像の高画質化のために,スコアベース拡散前の拡散を確率モデルと組み合わせた拡散後サンプリングが用いられている。
この技術は、1回で教師なしのCT事前トレーニングを可能にするので魅力的であり、任意のデータモデルに組み込むことができる。
しかし、現在の手法は画像の再構成や復元にX線CT物理の線形モデルにのみ依存している。
伝送トモグラフィー再構成問題を線形化することは一般的であるが、これは真および本質的に非線形フォワードモデルに対する近似である。
拡散後サンプリングによる非線形CT画像再構成の逆問題を解決する手法を提案する。
先行スコア関数推定器を訓練することにより,従来の無条件拡散モデルを実装し,これと非線形物理モデルから導出した測定度スコア関数を組み合わせたベイズ則を適用し,逆時間拡散過程のサンプリングに使用可能な後方スコア関数に到達する。
このプラグ・アンド・プレイ法は, 一般化された非線形CT画像再構成を, 追加の訓練を必要とせず, 異なる前方モデルで複数のCTシステムに組み込むことができる。
本研究では, 高速化処理のための順序付きサブセット変種を含むこの再構成を行うアルゴリズムを開発し, 事前の教師なしトレーニングを用いて, 完全サンプル化低線量データとスパースビュージオメトリの両方でその手法を実証する。
関連論文リスト
- Deep Equilibrium Diffusion Restoration with Parallel Sampling [127.31325974698993]
拡散に基づく画像復元法の多くは、HQイメージを段階的に復元するために長いシリアルサンプリングチェーンを必要とする。
拡散型IRモデルにおけるサンプリングチェーン全体をモデル化して解析解を導出する。
単イメージサンプリングを並列に行うことができ、トレーニングなしでHQイメージを復元することができます。
論文 参考訳(メタデータ) (2023-11-20T08:27:56Z) - Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and
Unsupervised Learning [13.17680480211064]
X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。
提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。
限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
論文 参考訳(メタデータ) (2023-11-19T20:23:59Z) - Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。
金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
論文 参考訳(メタデータ) (2023-10-06T00:47:57Z) - 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) - Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。
疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。
スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
論文 参考訳(メタデータ) (2022-11-25T06:49:18Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Bayesian Inversion for Nonlinear Imaging Models using Deep Generative
Priors [24.544313203472992]
非線形逆問題クラスに対するメトロポリス調整ランゲヴィンアルゴリズムに基づくトラクタブル後方サンプリング手法を開発した。
本稿では,2つの非線形画像モダリティ-位相検索と光回折トモグラフィーに応用することで,この枠組みの利点を述べる。
論文 参考訳(メタデータ) (2022-03-18T17:47:29Z) - Self-Supervised Training For Low Dose CT Reconstruction [0.0]
本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。
ノイズが要素的に独立な射影領域に自己超越原理を適用する。
提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-10-25T22:02:14Z) - Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of
Generative Model [24.024765099719886]
反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。
本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。
再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
論文 参考訳(メタデータ) (2020-09-27T06:36:39Z) - 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。