論文の概要: Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction
- arxiv url: http://arxiv.org/abs/2312.12644v1
- Date: Tue, 19 Dec 2023 22:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 17:40:03.984747
- Title: Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction
- Title（参考訳）: 低用量ct再構成のための回転拡張ノイズ2逆法
- Authors: Hang Xu, Alessandro Perelli
- Abstract要約: 改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
- 参考スコア（独自算出の注目度）: 83.73429628413773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present a novel self-supervised method for Low Dose Computed
Tomography (LDCT) reconstruction. Reducing the radiation dose to patients
during a CT scan is a crucial challenge since the quality of the reconstruction
highly degrades because of low photons or limited measurements. Supervised deep
learning methods have shown the ability to remove noise in images but require
accurate ground truth which can be obtained only by performing additional
high-radiation CT scans. Therefore, we propose a novel self-supervised
framework for LDCT, in which ground truth is not required for training the
convolutional neural network (CNN). Based on the Noise2Inverse (N2I) method, we
enforce in the training loss the equivariant property of rotation
transformation, which is induced by the CT imaging system, to improve the
quality of the CT image in a lower dose. Numerical and experimental results
show that the reconstruction accuracy of N2I with sparse views is degrading
while the proposed rotational augmented Noise2Inverse (RAN2I) method keeps
better image quality over a different range of sampling angles. Finally, the
quantitative results demonstrate that RAN2I achieves higher image quality
compared to N2I, and experimental results of RAN2I on real projection data show
comparable performance to supervised learning.
- Abstract（参考訳）: 本研究では,低線量CT(LDCT)再構成のための新しい自己監督手法を提案する。
CTスキャン中の患者への放射線線量削減は、低い光子や限られた測定値のため、再建の質が著しく低下するため、重要な課題である。
教師あり深層学習法では、画像中のノイズを除去できるが、高放射能ctスキャンを加えるだけで得られる正確な根拠真理が必要となる。
そこで我々は,畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としない,LDCTのための新しい自己教師型フレームワークを提案する。
ノイズ2逆法 (N2I) に基づいて,CTイメージングシステムにより誘導される回転変換の同変特性をトレーニング損失に適用し,低線量でのCT画像の品質向上を図る。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下するが,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
最後に, RAN2IはN2Iと比較して高画質であり, 実射影データに対するRAN2Iの実験結果は教師付き学習に匹敵する性能を示した。
関連論文リスト
- CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:38:30Z) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。
WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文 参考訳（メタデータ） (2024-03-18T11:20:11Z) - Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for
Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。
本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。
提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
論文 参考訳（メタデータ） (2024-03-06T08:51:09Z) - Diffusion Prior Regularized Iterative Reconstruction for Low-dose CT [9.866443235747287]
拡散前に正規化された反復的再構成アルゴリズムを導入する。
また、ネステロフ運動量加速技術も取り入れた。
本手法は,高分解能CT画像の再構成を最小限の放射線で行うことが可能である。
論文 参考訳（メタデータ） (2023-10-10T19:08:57Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT
Setting [6.450514665591633]
低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。
本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
論文 参考訳（メタデータ） (2022-11-02T13:37:59Z) - 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) - Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose
CT Denoising [0.0]
低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。
平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。
提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
論文 参考訳（メタデータ） (2020-06-26T00:35:26Z)
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。