Fugu-MT 論文翻訳(概要): ReconU-Net: a direct PET image reconstruction using U-Net architecture with back projection-induced skip connection

論文の概要: ReconU-Net: a direct PET image reconstruction using U-Net architecture with back projection-induced skip connection

arxiv url: http://arxiv.org/abs/2312.02494v1
Date: Tue, 5 Dec 2023 04:51:42 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 16:55:44.077149
Title: ReconU-Net: a direct PET image reconstruction using U-Net architecture with back projection-induced skip connection
Title（参考訳）: ReconU-Net:後方投射型スキップ接続を用いたU-NetアーキテクチャによるPET画像の直接再構成
Authors: Fumio Hashimoto, Kibo Ote
Abstract要約: 本研究では, 深層学習に基づく直接ポジトロン放射トモグラフィ(PET)画像再構成のためのバックプロジェクション駆動型U-Net型アーキテクチャReconU-Netを提案する。提案したReconU-Netアーキテクチャはバックプロジェクション操作の物理モデルをスキップ接続に一意に統合する。提案したReconU-Net法は,他の深層学習に基づく直接再構成法と比較して,より正確な構造で再構成画像を生成する。
参考スコア（独自算出の注目度）: 1.7404865362620803
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: [Objective] This study aims to introduce a novel back projection-induced U-Net-shaped architecture, called ReconU-Net, for deep learning-based direct positron emission tomography (PET) image reconstruction. Additionally, our objective is to analyze the behavior of direct PET image reconstruction and gain deeper insights by comparing the proposed ReconU-Net architecture with other encoder-decoder architectures without skip connections. [Approach] The proposed ReconU-Net architecture uniquely integrates the physical model of the back projection operation into the skip connection. This distinctive feature facilitates the effective transfer of intrinsic spatial information from the input sinogram to the reconstructed image via an embedded physical model. The proposed ReconU-Net was trained using Monte Carlo simulation data from the Brainweb phantom and tested on both simulated and real Hoffman brain phantom data. [Main results] The proposed ReconU-Net method generated a reconstructed image with a more accurate structure compared to other deep learning-based direct reconstruction methods. Further analysis showed that the proposed ReconU-Net architecture has the ability to transfer features of multiple resolutions, especially non-abstract high-resolution information, through skip connections. Despite limited training on simulated data, the proposed ReconU-Net successfully reconstructed the real Hoffman brain phantom, unlike other deep learning-based direct reconstruction methods, which failed to produce a reconstructed image. [Significance] The proposed ReconU-Net can improve the fidelity of direct PET image reconstruction, even when dealing with small training datasets, by leveraging the synergistic relationship between data-driven modeling and the physics model of the imaging process.
Abstract（参考訳）: [目的]本研究は,深層学習に基づく直接ポジトロン放射トモグラフィ(PET)画像再構成のためのバックプロジェクションによるU-Net型アーキテクチャであるReconU-Netを導入することを目的とする。さらに,提案したReconU-Netアーキテクチャと他のエンコーダデコーダアーキテクチャを比較して,直接PET画像再構成の動作を分析し,深い洞察を得る。 [アプリケーション]提案したReconU-Netアーキテクチャはバックプロジェクション操作の物理モデルをスキップ接続に一意に統合する。この特徴は、入力されたシングラムから埋め込み物理モデルによる再構成画像への固有空間情報の効果的な転送を容易にする。提案したreconu-netは、brainweb phantomのモンテカルロシミュレーションデータを用いて訓練され、シミュレーションと実際のhoffman brain phantomデータの両方でテストされた。 [主な結果]ReconU-Net法は,他の深層学習に基づく直接再構成法と比較して,より正確な構造を持つ再構成画像を生成する。さらに分析した結果,提案したReconU-Netアーキテクチャは複数の解像度の特徴,特に非抽象的な高解像度情報をスキップ接続を介して転送する機能を持つことがわかった。シミュレーションデータに関する限られた訓練にもかかわらず、提案されたReconU-Netは、他の深層学習に基づく直接再構成法とは異なり、本物のホフマン脳ファントムの再構築に成功した。 [意義]データ駆動型モデリングと画像処理プロセスの物理モデルとの相乗関係を利用して,小さなトレーニングデータセットを扱う場合であっても,提案したReconU-NetはPET画像再構成の忠実性を向上させることができる。

関連論文リスト

MaRINeR: Enhancing Novel Views by Matching Rendered Images with Nearby References [49.71130133080821]
MaRINeRは、近くのマッピング画像の情報を活用して、ターゲット視点のレンダリングを改善する方法である。暗黙のシーン表現と暗黙のシーン表現の両方から、定量的な指標と定性的な例のレンダリングの改善を示す。
論文参考訳（メタデータ） (2024-07-18T17:50:03Z)
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)
Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文参考訳（メタデータ） (2023-04-14T06:58:44Z)
Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。本手法は既存の手法に対して最先端の手法を実現する。
論文参考訳（メタデータ） (2022-12-03T14:44:17Z)
Sparse-View CT Reconstruction using Recurrent Stacked Back Projection [3.91278924473622]
Recurrent Stacked Back Projection (RSBP) と呼ばれる直接再構成手法を導入する。 RSBPは、反復的な畳み込みLSTMネットワークへの入力として、個々のビューの逐次的に取得されたバックプロジェクションを使用する。本研究では,FBP画像の処理後処理と基本MBIRの処理後処理において,計算コストがMBIRよりも低くなることを実証する。
論文参考訳（メタデータ） (2021-12-09T15:44:35Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文参考訳（メタデータ） (2021-09-02T08:07:58Z)
Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
論文参考訳（メタデータ） (2021-07-13T18:01:43Z)
NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文参考訳（メタデータ） (2020-08-26T17:59:36Z)
Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文参考訳（メタデータ） (2020-08-18T20:30:47Z)
MetaInv-Net: Meta Inversion Network for Sparse View CT Image Reconstruction [15.090133305839595]
本稿では,反復アルゴリズムの展開により構築したバックボーンネットワークアーキテクチャを用いて,CT画像再構成のための新しいディープラーニングモデルを提案する。私たちはメタ・インバージョン・ネットワーク(MetaInv-Net)と呼ぶ。提案されたMetaInv-Netは、優れた画像再構成性能を維持しながら、はるかにトレーニング可能なパラメータで設計することができる。
論文参考訳（メタデータ） (2020-05-30T04:19:09Z)

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。