論文の概要: Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields

• arxiv url: http://arxiv.org/abs/2404.06991v1
• Date: Wed, 10 Apr 2024 13:10:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 14:31:02.996568
• Title: Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields
• Title（参考訳）: ニューラルベース磁力場に基づく光駆動型分光CT再構成
• Authors: Ligen Shi, Chang Liu, Ping Yang, Jun Qiu, Xing Zhao,
• Abstract要約: スペクトルCT再構成において、基本材料分解は積分方程式の大規模非線形系を解くことを伴う。 本稿では、ニューラルネットワーク表現を用いて物体の減衰係数をパラメータ化するモデルを提案する。 線駆動神経場に基づく線積分の軽量な離散化法を導入する。
• 参考スコア（独自算出の注目度）: 10.684377265644045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In spectral CT reconstruction, the basis materials decomposition involves solving a large-scale nonlinear system of integral equations, which is highly ill-posed mathematically. This paper proposes a model that parameterizes the attenuation coefficients of the object using a neural field representation, thereby avoiding the complex calculations of pixel-driven projection coefficient matrices during the discretization process of line integrals. It introduces a lightweight discretization method for line integrals based on a ray-driven neural field, enhancing the accuracy of the integral approximation during the discretization process. The basis materials are represented as continuous vector-valued implicit functions to establish a neural field parameterization model for the basis materials. The auto-differentiation framework of deep learning is then used to solve the implicit continuous function of the neural base-material fields. This method is not limited by the spatial resolution of reconstructed images, and the network has compact and regular properties. Experimental validation shows that our method performs exceptionally well in addressing the spectral CT reconstruction. Additionally, it fulfils the requirements for the generation of high-resolution reconstruction images.
• Abstract（参考訳）: スペクトルCT再構成において、基本材料分解は、数学的に非常に不規則な積分方程式の大規模非線形系を解くことを含む。 本稿では、ニューラルネットワーク表現を用いて物体の減衰係数をパラメータ化し、線積分の離散化過程において画素駆動の投影係数行列の複素計算を回避するモデルを提案する。 線駆動型ニューラルネットワークに基づくライン積分の軽量な離散化法を導入し、離散化過程における積分近似の精度を高める。 基礎材料は連続ベクトル値暗黙関数として表現され、基礎材料に対する神経場パラメータ化モデルを確立する。 深層学習の自己微分フレームワークは、神経基盤物質場の暗黙的な連続関数を解くために使用される。 この方法は再構成画像の空間分解能に制限されず、ネットワークはコンパクトで規則的な特性を持つ。 実験的に評価したところ, スペクトルCTの再構成は極めて良好であった。 さらに,高解像度再構成画像の生成要件も満たしている。

関連論文リスト

• A Structure-Preserving Kernel Method for Learning Hamiltonian Systems [3.594638299627404]
  構造保存されたカーネルリッジ回帰法は、潜在的に高次元かつ非線形なハミルトン関数の回復を可能にする。 本稿では,勾配の線形関数を含む損失関数が要求される問題に対して,カーネル回帰法を拡張した。 固定正則化パラメータと適応正則化パラメータを用いて収束率を提供する完全誤差解析を行う。
  論文  参考訳（メタデータ） (2024-03-15T07:20:21Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Parametric Level-sets Enhanced To Improve Reconstruction (PaLEnTIR) [0.0]
  本稿では,PaLEnTIR(PalenTIR)について紹介する。 キーとなるコントリビューションは、単一のレベルセット関数を利用して、複数コントラストのピースワイズ・コンスタントなオブジェクトを含むシーンを復元する独自の PaLS の定式化である。
  論文  参考訳（メタデータ） (2022-04-21T00:03:44Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Investigation of Nonlinear Model Order Reduction of the Quasigeostrophic Equations through a Physics-Informed Convolutional Autoencoder [0.0]
  低次モデリング(ROM)は、安価なサロゲートによる現実世界のプロセスの複雑な物理モデルに近似する。 本稿では,システム力学の非線形射影を低次元多様体上に行うオートエンコーダ(AE)を用いたROMの構築について検討する。 本研究により, PIコスト関数は空間再構成に有効であるが, 空間特性はスペクトル特性よりも強力ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2021-08-27T15:20:01Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Learned convex regularizers for inverse problems [3.294199808987679]
  本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。 パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。 提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
  論文  参考訳（メタデータ） (2020-08-06T18:58:35Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。