論文の概要: SR4ZCT: Self-supervised Through-plane Resolution Enhancement for CT Images with Arbitrary Resolution and Overlap
- arxiv url: http://arxiv.org/abs/2405.02515v1
- Date: Fri, 3 May 2024 22:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 19:40:24.015206
- Title: SR4ZCT: Self-supervised Through-plane Resolution Enhancement for CT Images with Arbitrary Resolution and Overlap
- Title（参考訳）: SR4ZCT:任意分解能とオーバーラップを有するCT画像の自己監督型平面分解能向上
- Authors: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg,
- Abstract要約: 診断精度はしばしば画像分解能に影響され、実際は不十分である。
医用CT画像の場合、平面内解像度は平面内解像度よりも悪く、スライス間で重なることがある。
平面内画像をトレーニングし、平面内画像を推測する、平面内分解能増強のための自己監督手法は、CTとMRIの両方に有望であることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed tomography (CT) is a widely used non-invasive medical imaging technique for disease diagnosis. The diagnostic accuracy is often affected by image resolution, which can be insufficient in practice. For medical CT images, the through-plane resolution is often worse than the in-plane resolution and there can be overlap between slices, causing difficulties in diagnoses. Self-supervised methods for through-plane resolution enhancement, which train on in-plane images and infer on through-plane images, have shown promise for both CT and MRI imaging. However, existing self-supervised methods either neglect overlap or can only handle specific cases with fixed combinations of resolution and overlap. To address these limitations, we propose a self-supervised method called SR4ZCT. It employs the same off-axis training approach while being capable of handling arbitrary combinations of resolution and overlap. Our method explicitly models the relationship between resolutions and voxel spacings of different planes to accurately simulate training images that match the original through-plane images. We highlight the significance of accurate modeling in self-supervised off-axis training and demonstrate the effectiveness of SR4ZCT using a real-world dataset.
- Abstract（参考訳）: CT(Computed tomography)は、疾患の診断に広く用いられている非侵襲的医療画像診断技術である。
診断精度はしばしば画像分解能に影響され、実際は不十分である。
医療用CT画像では、平面内分解能は平面内分解能よりも悪く、スライス間で重なり合いがあり、診断が困難である。
平面内画像をトレーニングし、平面内画像を推測する、平面内分解能増強のための自己監督手法は、CTとMRIの両方に有望であることを示している。
しかし、既存の自己管理手法はオーバーラップを無視するか、特定のケースを解像度とオーバーラップの固定の組み合わせでしか処理できない。
これらの制約に対処するため,SR4ZCTと呼ばれる自己教師型手法を提案する。
任意の解像度と重複の組合せを扱うことができる一方で、同じオフ軸トレーニングアプローチを採用している。
本手法は,異なる平面の解像度とボクセル間隔の関係を明示的にモデル化し,元の平面画像と一致するトレーニング画像を正確にシミュレートする。
本稿では,自己教師型オフ軸トレーニングにおける正確なモデリングの重要性を強調し,実世界のデータセットを用いたSR4ZCTの有効性を実証する。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。
これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。
これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。
我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文 参考訳（メタデータ） (2023-07-02T11:09:08Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Geometric Constraints Enable Self-Supervised Sinogram Inpainting in
Sparse-View Tomography [7.416898042520079]
スパース角度トモグラフィースキャンは放射線を低減し、データ取得を加速するが、画像のアーチファクトやノイズに悩まされる。
既存の画像処理アルゴリズムはCT再構成の品質を復元することができるが、大きなトレーニングデータセットを必要とする場合が多い。
本研究は、勾配に基づく最適化により、欠落した射影ビューを最適化する自己教師付きプロジェクションインペインティング法を提案する。
論文 参考訳（メタデータ） (2023-02-13T15:15:18Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Cross Chest Graph for Disease Diagnosis with Structural Relational
Reasoning [2.7148274921314615]
X線画像のコンピュータ診断において位置病変は重要である。
一般に弱教師付き手法はX線像の特性を考慮できなかった。
自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
論文 参考訳（メタデータ） (2021-01-22T08:24:04Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Patch-based field-of-view matching in multi-modal images for
electroporation-based ablations [0.6285581681015912]
マルチモーダルイメージングセンサーは、現在、介入治療作業フローの異なるステップに関与している。
この情報を統合するには、取得した画像間の観測された解剖の正確な空間的アライメントに依存する。
本稿では, ボクセルパッチを用いた地域登録手法が, ボクセルワイドアプローチと「グローバルシフト」アプローチとの間に優れた構造的妥協をもたらすことを示す。
論文 参考訳（メタデータ） (2020-11-09T11:27:45Z) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳（メタデータ） (2020-10-20T04:30:09Z) - 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)
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。