論文の概要: Unsupervised Density Neural Representation for CT Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2405.07047v1
• Date: Sat, 11 May 2024 16:30:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 18:32:45.760195
• Title: Unsupervised Density Neural Representation for CT Metal Artifact Reduction
• Title（参考訳）: CT金属アーチファクト低減のための教師なし密度ニューラルネットワーク
• Authors: Qing Wu, Xu Guo, Lixuan Chen, Dongming He, Hongjiang Wei, Xudong Wang, S. Kevin Zhou, Yifeng Zhang, Jingyi Yu, Yuyao Zhang,
• Abstract要約: 本稿では,スキャン対象が金属を含む場合のCT金属アーチファクトの問題に対処するために,教師なし密度神経表現(ダイナー)を提案する。 既存の金属人工物還元(MAR)技術は、主にエネルギー誘起BHEを無視したイメージインペイントタスクとしてMARを定式化している。 我々は,エネルギー依存型LACをエネルギー非依存密度とエネルギー依存型質量減衰係数(MAC)に分解し,X線吸収の物理モデルを完全に検討した。
• 参考スコア（独自算出の注目度）: 45.28053148579478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging unsupervised reconstruction techniques based on implicit neural representation (INR), such as NeRP, CoIL, and SCOPE, have shown unique capabilities in CT linear inverse imaging. In this work, we propose a novel unsupervised density neural representation (Diner) to tackle the challenging problem of CT metal artifacts when scanned objects contain metals. The drastic variation of linear attenuation coefficients (LACs) of metals over X-ray spectra leads to a nonlinear beam hardening effect (BHE) in CT measurements. Recovering CT images from metal-affected measurements therefore poses a complicated nonlinear inverse problem. Existing metal artifact reduction (MAR) techniques mostly formulate the MAR as an image inpainting task, which ignores the energy-induced BHE and produces suboptimal performance. Instead, our Diner introduces an energy-dependent polychromatic CT forward model to the INR framework, addressing the nonlinear nature of the MAR problem. Specifically, we decompose the energy-dependent LACs into energy-independent densities and energy-dependent mass attenuation coefficients (MACs) by fully considering the physical model of X-ray absorption. Using the densities as pivot variables and the MACs as known prior knowledge, the LACs can be accurately reconstructed from the raw measurements. Technically, we represent the unknown density map as an implicit function of coordinates. Combined with a novel differentiable forward model simulating the physical acquisition from the densities to the measurements, our Diner optimizes a multi-layer perception network to approximate the implicit function by minimizing predicted errors between the estimated and real measurements. Experimental results on simulated and real datasets confirm the superiority of our unsupervised Diner against popular supervised techniques in MAR performance and robustness.
• Abstract（参考訳）: NeRP、CoIL、SCOPEなどの暗黙的神経表現(INR)に基づく非教師なし再構成技術は、CT線形逆画像においてユニークな機能を示している。 本研究では,スキャン対象が金属を含む場合のCT金属アーティファクトの課題に対処するための,教師なし密度ニューラルネットワーク表現(ダイナー)を提案する。 X線スペクトル上の金属の線形減衰係数(LAC)の劇的な変動は、CT測定における非線形ビーム硬化効果(BHE)をもたらす。 金属の影響による測定からCT画像の復元は複雑な非線形逆問題を引き起こす。 既存の金属人工物還元(MAR)技術は、主にMARをイメージインペイントタスクとして定式化し、エネルギー誘起のBHEを無視し、準最適性能を生み出す。 代わりに、我々のダイナーはエネルギー依存多色CTフォワードモデルをINRフレームワークに導入し、MAR問題の非線形性質に対処する。 具体的には、エネルギー依存型RACをエネルギー非依存密度とエネルギー依存型質量減衰係数(MAC)に分解し、X線吸収の物理モデルを完全に検討する。 密度をピボット変数とし、MACを既知の事前知識として使用することにより、RACを生測値から正確に再構成することができる。 技術的には、未知密度写像を座標の暗黙関数として表現する。 実測値と実測値の予測誤差を最小化して暗黙的関数を近似する多層知覚ネットワークを,密度から実測値への物理的獲得をシミュレートする新しい微分可能前方モデルと組み合わせて最適化した。 シミュレーションおよび実データを用いた実験結果から,MAR性能とロバスト性において,教師なしダイナーが一般的な教師付き技術に対して優位であることが確認された。

関連論文リスト

• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [35.73129314731503]
  リングアーティファクトは、X線検出器の非理想的応答により、3DコーンビームCT(CBCT)で一般的である。 現在の最先端(SOTA)リングアーティファクトリダクション(RAR)アルゴリズムは、教師あり学習のための広範なペアCTサンプルに依存している。 マルチパラメータ逆問題として3次元CBCT RARを定式化した教師なしの textbfRiner を導入する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
  計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。 金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
  論文  参考訳（メタデータ） (2023-10-06T00:47:57Z)
• Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains [8.40564813751161]
  金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。 金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。 本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T14:00:47Z)
• Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
  人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。 私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2023-06-27T04:50:58Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework [1.1374919153601266]
  金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 MRIでは、感受性アーチファクトを修正する方法がまだ導入されていない。 マルチモーダルMARのための教師なしディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T14:12:00Z)

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。