論文の概要: Deep Radon Prior: A Fully Unsupervised Framework for Sparse-View CT
Reconstruction
- arxiv url: http://arxiv.org/abs/2401.00135v1
- Date: Sat, 30 Dec 2023 04:11:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 18:40:44.094576
- Title: Deep Radon Prior: A Fully Unsupervised Framework for Sparse-View CT
Reconstruction
- Title(参考訳): deep radon prior: スパースビューct再構成のための完全な教師なしフレームワーク
- Authors: Shuo Xu, Yucheng Zhang, Gang Chen, Xincheng Xiang, Peng Cong, and
Yuewen Sun
- Abstract要約: 提案するフレームワークはデータセットを必要とせず、優れた解釈可能性と一般化能力を示す。
実験結果から,提案手法は画像アーチファクトを効果的に抑制しつつ,詳細な画像を生成することができることが示された。
- 参考スコア(独自算出の注目度): 6.509941446269504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although sparse-view computed tomography (CT) has significantly reduced
radiation dose, it also introduces severe artifacts which degrade the image
quality. In recent years, deep learning-based methods for inverse problems have
made remarkable progress and have become increasingly popular in CT
reconstruction. However, most of these methods suffer several limitations:
dependence on high-quality training data, weak interpretability, etc. In this
study, we propose a fully unsupervised framework called Deep Radon Prior (DRP),
inspired by Deep Image Prior (DIP), to address the aforementioned limitations.
DRP introduces a neural network as an implicit prior into the iterative method,
thereby realizing cross-domain gradient feedback. During the reconstruction
process, the neural network is progressively optimized in multiple stages to
narrow the solution space in radon domain for the under-constrained imaging
protocol, and the convergence of the proposed method has been discussed in this
work. Compared with the popular pre-trained method, the proposed framework
requires no dataset and exhibits superior interpretability and generalization
ability. The experimental results demonstrate that the proposed method can
generate detailed images while effectively suppressing image
artifacts.Meanwhile, DRP achieves comparable or better performance than the
supervised methods.
- Abstract(参考訳): スパース・ビュー・コンピュート・トモグラフィー (CT) は放射線線量を大幅に減少させたが, 画像品質を低下させる深刻なアーティファクトも導入した。
近年, 逆問題に対する深層学習に基づく手法が顕著に進歩し, CT再構成においてますます普及している。
しかし、これらの手法のほとんどは、高品質なトレーニングデータへの依存、弱い解釈可能性など、いくつかの制限を受ける。
本研究では,前述の制限に対処するために,deep image prior (dip) にインスパイアされた deep radon prior (drp) と呼ばれる完全教師なしフレームワークを提案する。
drpは反復法に暗黙の先行としてニューラルネットワークを導入し、クロスドメイン勾配フィードバックを実現する。
再構成過程において, ニューラルネットワークはラドン領域の解空間を狭めるために, 複数の段階において段階的に最適化され, 提案手法の収束性について論じている。
一般的な事前学習手法と比較して,提案フレームワークはデータセットを必要とせず,優れた解釈性と一般化能力を示す。
実験の結果,提案手法は画像アーチファクトを効果的に抑制しつつ,詳細な画像を生成することができることがわかった。
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) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳(メタデータ) (2024-04-27T12:55:13Z) - DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。
提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-04-19T09:52:32Z) - 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) - Dataset-free Deep learning Method for Low-Dose CT Image Reconstruction [33.193423488300255]
本稿では,LDCT画像再構成のための教師なしディープラーニング手法を提案する。
提案手法は,ランダムな重み付きディープネットワークによるベイズ推論の再パラメータ化手法と,追加の総変分法(TV)正則化を併用して構築する。
実験の結果,提案手法は既存のデータセットのない画像再構成手法よりも顕著に優れていることがわかった。
論文 参考訳(メタデータ) (2022-05-01T13:05:04Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - Robust partial Fourier reconstruction for diffusion-weighted imaging
using a recurrent convolutional neural network [5.3580471186206005]
繰り返し畳み込みによって実装されたデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャが導出される。
重み付きネットワークや近位ネットワークのカスケードよりも、再帰的なネットワークによるアンローリングの方がよい結果が得られることを示すことができる。
論文 参考訳(メタデータ) (2021-05-19T20:00:04Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳(メタデータ) (2020-03-29T17:26:58Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-03-11T17:09:12Z)
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。