論文の概要: Deep Learning Computed Tomography based on the Defrise and Clack Algorithm

• arxiv url: http://arxiv.org/abs/2403.00426v1
• Date: Fri, 1 Mar 2024 10:24:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 17:36:03.220494
• Title: Deep Learning Computed Tomography based on the Defrise and Clack Algorithm
• Title（参考訳）: defrise and clackアルゴリズムに基づくディープラーニングct
• Authors: Chengze Ye, Linda-Sophie Schneider, Yipeng Sun, Andreas Maier
• Abstract要約: 本研究では、既知の演算子学習を用いて、特定の軌道に対するコーンビーム計算トモグラフィー(CBCT)を再構成する新しい手法を提案する。 従来の手法とは異なり、この手法では独自の適応フィルタリングプロセスを統合するフィルタバックプロジェクション型(FBP型)アルゴリズムを採用している。 このフィルタは、特定の軌道幾何学のために設計され、深層学習に基づくデータ駆動型アプローチを用いて得られる。
• 参考スコア（独自算出の注目度）: 4.137125610532773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a novel approach for reconstructing cone beam computed tomography (CBCT) for specific orbits using known operator learning. Unlike traditional methods, this technique employs a filtered backprojection type (FBP-type) algorithm, which integrates a unique, adaptive filtering process. This process involves a series of operations, including weightings, differentiations, the 2D Radon transform, and backprojection. The filter is designed for a specific orbit geometry and is obtained using a data-driven approach based on deep learning. The approach efficiently learns and optimizes the orbit-related component of the filter. The method has demonstrated its ability through experimentation by successfully learning parameters from circular orbit projection data. Subsequently, the optimized parameters are used to reconstruct images, resulting in outcomes that closely resemble the analytical solution. This demonstrates the potential of the method to learn appropriate parameters from any specific orbit projection data and achieve reconstruction. The algorithm has demonstrated improvement, particularly in enhancing reconstruction speed and reducing memory usage for handling specific orbit reconstruction.
• Abstract（参考訳）: 本研究では、既知の演算子学習を用いて、特定の軌道に対するコーンビーム計算トモグラフィー(CBCT)を再構成する新しい手法を提案する。 従来の手法とは異なり、この手法では独自の適応フィルタリングプロセスを統合するフィルタバックプロジェクション型(FBP型)アルゴリズムを採用している。 このプロセスは、重み付け、微分、2次元ラドン変換、バックプロジェクションを含む一連の操作を含む。 このフィルタは、特定の軌道幾何学のために設計され、深層学習に基づくデータ駆動アプローチを用いて得られる。 このアプローチは、フィルタの軌道関連コンポーネントを効率的に学習し、最適化する。 この方法は、円軌道投影データからパラメータをうまく学習することで実験を通じてその能力を実証した。 その後、最適化されたパラメータを用いて画像の再構成を行い、解析解によく似た結果が得られる。 これは、特定の軌道投影データから適切なパラメータを学習し、再構成を実現する方法の可能性を示す。 このアルゴリズムは、特に再構成速度の向上と、特定の軌道再構成を扱うためのメモリ使用量の削減を実証している。

関連論文リスト

• DRACO: Differentiable Reconstruction for Arbitrary CBCT Orbits [3.331348121758607]
  本稿では,円錐線CT(CBCT)画像を任意の軌道に再構成する新しい手法を提案する。 提案手法では, 任意の軌道に最適化されたシフト可変FBPアルゴリズムをディープラーニング手法により適用した。 提案手法は、特にロボットC-アームCTシステムにおいて、介入医療画像の大幅な進歩である。
  論文  参考訳（メタデータ） (2024-10-18T22:59:36Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Machine Learning Training Optimization using the Barycentric Correction Procedure [0.0]
  本研究では,機械学習アルゴリズムとBCP(Barycentric correct procedure)と呼ばれる効率的な手法を組み合わせることを提案する。 この組み合わせによって、実データと合成データの時間に関する大きな利点が得られ、インスタンス数や次元が増加すると精度を損なうことなく得られることがわかった。
  論文  参考訳（メタデータ） (2024-03-01T13:56:36Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Convolutional Analysis Operator Learning by End-To-End Training of Iterative Neural Networks [3.6280929178575994]
  本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。 我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
  論文  参考訳（メタデータ） (2022-03-04T07:32:16Z)
• Iterated Block Particle Filter for High-dimensional Parameter Learning: Beating the Curse of Dimensionality [0.6599344783327054]
  高次元、部分的に観察され、非線形過程のための時間的疾患学習は方法論的な課題である。 グラフ状態空間モデル上で高次元推論パラメータを学習するための反復ブロック粒子フィルタ(IBPF)を提案する。
  論文  参考訳（メタデータ） (2021-10-20T19:36:55Z)
• SPECT Angle Interpolation Based on Deep Learning Methodologies [0.0]
  深層学習手法に基づく新しいSPECTアングル法を提案する。 提案したモデルのトレーニングには,ソフトウェアファントムからの投影データを使用した。 本手法の有効性を評価するため, 各種ノイズレベルを付加したシェップローガンに基づくファントムを用いた。 得られた補間されたシングラムは、順序付きサブセット期待最大化(OSEM)を用いて再構成され、元のシングラムの再構成と比較される。
  論文  参考訳（メタデータ） (2021-08-09T09:19:51Z)
• Learning Linearized Assignment Flows for Image Labeling [70.540936204654]
  画像ラベリングのための線形化代入フローの最適パラメータを推定するための新しいアルゴリズムを提案する。 この式をKrylov部分空間と低ランク近似を用いて効率的に評価する方法を示す。
  論文  参考訳（メタデータ） (2021-08-02T13:38:09Z)
• Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
  深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。 本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
  論文  参考訳（メタデータ） (2020-12-07T09:27:16Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。