論文の概要: Enhancing signal detectability in learning-based CT reconstruction with
a model observer inspired loss function
- arxiv url: http://arxiv.org/abs/2402.10010v1
- Date: Thu, 15 Feb 2024 15:18:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 15:11:24.094422
- Title: Enhancing signal detectability in learning-based CT reconstruction with
a model observer inspired loss function
- Title(参考訳): モデルオブザーバインスパイア損失関数を用いた学習型ct再構成における信号検出性の向上
- Authors: Megan Lantz, Emil Y. Sidky, Ingrid S. Reiser, Xiaochuan Pan, Gregory
Ongie
- Abstract要約: 本稿では,再建過程における弱い信号の検出可能性を高めるために,モデルオブザーバフレームワークにヒントを得た新たなトレーニング損失を導入する。
本研究は, 乳房CT画像から得られたスパース画像の再構成に対するアプローチを検証し, 信号検出性の向上を実証するものである。
- 参考スコア(独自算出の注目度): 0.26249027950824505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks used for reconstructing sparse-view CT data are
typically trained by minimizing a pixel-wise mean-squared error or similar loss
function over a set of training images. However, networks trained with such
pixel-wise losses are prone to wipe out small, low-contrast features that are
critical for screening and diagnosis. To remedy this issue, we introduce a
novel training loss inspired by the model observer framework to enhance the
detectability of weak signals in the reconstructions. We evaluate our approach
on the reconstruction of synthetic sparse-view breast CT data, and demonstrate
an improvement in signal detectability with the proposed loss.
- Abstract(参考訳): スパースビューctデータの再構成に使用されるディープニューラルネットワークは通常、トレーニング画像のセット上でピクセル単位の平均二乗誤差や類似損失関数を最小化することで訓練される。
しかし、このようなピクセル単位の損失で訓練されたネットワークは、スクリーニングや診断に欠かせない小型で低コントラストな特徴を消去しがちである。
この問題を解決するために、モデルオブザーバフレームワークに触発された新たなトレーニング損失を導入し、再構成における弱い信号の検出可能性を高める。
乳房ct合成画像の再構成に関するアプローチを評価し,提案する損失による信号検出性の向上を実証する。
関連論文リスト
- Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural
Image Compression [62.888755394395716]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳(メタデータ) (2024-01-25T08:11:27Z) - 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) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-01T10:09:01Z) - A Lightweight Reconstruction Network for Surface Defect Inspection [3.6823636353870954]
本稿では,再構成ネットワークに基づく教師なし欠陥検出アルゴリズムを提案する。
再構成ネットワークは、軽量な構造を持つ完全畳み込みオートエンコーダによって設計されている。
その結果,再構成ネットワークの非教師なし欠陥検出アルゴリズムは強い堅牢性と精度を有することがわかった。
論文 参考訳(メタデータ) (2022-12-25T08:59:15Z) - 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) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。
次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。
再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
論文 参考訳(メタデータ) (2020-10-30T19:26:14Z) - Improved anomaly detection by training an autoencoder with skip
connections on images corrupted with Stain-shaped noise [25.85927871251385]
異常検出は 復元の残留か もしくは 復元の不確実性に依存する
我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。
このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
論文 参考訳(メタデータ) (2020-08-29T13:50:49Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳(メタデータ) (2020-08-06T02:07:21Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳(メタデータ) (2020-05-07T15:57:25Z)
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。