論文の概要: A 2D Sinogram-Based Approach to Defect Localization in Computed Tomography

• arxiv url: http://arxiv.org/abs/2401.16104v1
• Date: Mon, 29 Jan 2024 12:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 15:05:26.437870
• Title: A 2D Sinogram-Based Approach to Defect Localization in Computed Tomography
• Title（参考訳）: CTにおける2次元シングラムによる欠陥位置推定
• Authors: Yuzhong Zhou, Linda-Sophie Schneider, Fuxin Fan, Andreas Maier
• Abstract要約: 画像再構成に頼らずにオブジェクト内の欠陥を特定し解析するための総合的な3段階深層学習アルゴリズムを提案する。 提案手法は, 512画素幅の検出器上での欠陥検出における平均位置誤差1.3ピクセルを用いて, シミュレーションデータ上での92.02%のユニオンの切断を実現する。
• 参考スコア（独自算出の注目度）: 3.4916237834391874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of deep learning has introduced a transformative era in the field of image processing, particularly in the context of computed tomography. Deep learning has made a significant contribution to the field of industrial Computed Tomography. However, many defect detection algorithms are applied directly to the reconstructed domain, often disregarding the raw sensor data. This paper shifts the focus to the use of sinograms. Within this framework, we present a comprehensive three-step deep learning algorithm, designed to identify and analyze defects within objects without resorting to image reconstruction. These three steps are defect segmentation, mask isolation, and defect analysis. We use a U-Net-based architecture for defect segmentation. Our method achieves the Intersection over Union of 92.02% on our simulated data, with an average position error of 1.3 pixels for defect detection on a 512-pixel-wide detector.
• Abstract（参考訳）: ディープラーニングの台頭は、画像処理の分野で、特に計算トモグラフィーの文脈において、トランスフォーメーション時代をもたらした。 深層学習は産業用CTの分野に多大な貢献をしている。 しかし、多くの欠陥検出アルゴリズムは再構成された領域に直接適用され、しばしば生センサデータを無視する。 本稿では, シングラムの使用に焦点を移す。 本研究では,画像再構成に頼らずにオブジェクト内の欠陥を識別・解析する3段階のディープラーニングアルゴリズムを提案する。 これら3つのステップは、欠陥セグメンテーション、マスク分離、欠陥解析である。 欠陥セグメンテーションにはU-Netベースのアーキテクチャを使用します。 提案手法はシミュレーションデータ上で92.02%の交点を達成し,512画素の検出器で平均1.3ピクセルの位置誤差を検出できる。

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
  非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。 我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2023-01-17T10:39:39Z)
• Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar Imaging [11.12267144061017]
  本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。 提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。 従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
  論文  参考訳（メタデータ） (2022-10-28T10:22:29Z)
• PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation [16.519583839906904]
  欠陥領域分割のための非教師パッチオートエンコーダに基づくディープ画像分解法(PAEDID)を提案する。 パッチオートエンコーダ(PAE)ネットワークにより,より深い画像として共通の背景を学習する。 提案手法を採用することにより、画像中の欠陥領域を教師なしで正確に抽出することができる。
  論文  参考訳（メタデータ） (2022-03-28T02:50:06Z)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)
• Weakly supervised semantic segmentation of tomographic images in the diagnosis of stroke [0.0]
  本稿では,非コントラスト計算トモグラフィ脳画像上での急性脳梗塞による領域分割の自動アルゴリズムを提案する。 提案アルゴリズムは,いくつかの画像が正確にラベル付けされ,いくつかの画像が不正確なラベル付けされた場合に,弱教師付きシナリオで学習するために設計されている。
  論文  参考訳（メタデータ） (2021-09-04T15:24:38Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• 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)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• 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。