論文の概要: Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation

• arxiv url: http://arxiv.org/abs/2405.07047v2
• Date: Wed, 15 Jan 2025 12:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:50:21.456319
• Title: Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation
• Title（参考訳）: ニューラルネットワークによるCT金属アーチファクト低減のためのエネルギー非依存密度の解法
• Authors: Qing Wu, Xu Guo, Lixuan Chen, Yanyan Liu, Dongming He, Xudong Wang, Xueli Chen, Yifeng Zhang, S. Kevin Zhou, Jingyi Yu, Yuyao Zhang,
• Abstract要約: 金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
• 参考スコア（独自算出の注目度）: 46.57879724994237
• License:
• Abstract: X-ray CT often suffers from shadowing and streaking artifacts in the presence of metallic materials, which severely degrade imaging quality. Physically, the linear attenuation coefficients (LACs) of metals vary significantly with X-ray energy, causing a nonlinear beam hardening effect (BHE) in CT measurements. Reconstructing CT images from metal-corrupted measurements consequently becomes a challenging nonlinear inverse problem. Existing state-of-the-art (SOTA) metal artifact reduction (MAR) algorithms rely on supervised learning with numerous paired CT samples. While promising, these supervised methods often assume that the unknown LACs are energy-independent, ignoring the energy-induced BHE, which results in limited generalization. Moreover, the requirement for large datasets also limits their applications in real-world scenarios. In this work, we propose Density neural representation (Diner), a novel unsupervised MAR method. Our key innovation lies in formulating MAR as an energy-independent density reconstruction problem that strictly adheres to the photon-tissue absorption physical model. This model is inherently nonlinear and complex, making it a rarely considered approach in inverse imaging problems. By introducing the water-equivalent tissues approximation and a new polychromatic model to characterize the nonlinear CT acquisition process, we directly learn the neural representation of the density map from raw measurements without using external training data. This energy-independent density reconstruction framework fundamentally resolves the nonlinear BHE, enabling superior MAR performance across a wide range of scanning scenarios. Extensive experiments on both simulated and real-world datasets demonstrate the superiority of our unsupervised Diner over popular supervised methods in terms of MAR performance and robustness.
• Abstract（参考訳）: X線CTは、しばしば金属材料の存在下での陰影や破砕物に悩まされ、画像の品質が著しく低下する。 物理的には、金属の線形減衰係数(LAC)はX線エネルギーと大きく異なり、CT測定では非線形ビーム硬化効果(BHE)が生じる。 その結果, 金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 有望ではあるが、これらの教師付き手法は、未知のLACがエネルギー非依存であり、エネルギー誘起のBHEを無視し、それが限定的な一般化をもたらすと仮定することが多い。 さらに、大規模なデータセットの要件は、実際のシナリオにおけるアプリケーションの制限でもある。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。 我々の重要な革新は、エネルギー非依存の密度再構成問題としてMARを定式化することであり、光子-波長吸収物理モデルに厳密に固執している。 このモデルは本質的に非線形で複雑であり、逆画像問題においてほとんど考慮されないアプローチである。 水等価組織近似と非線形CT取得過程を特徴付ける新しいポリクロマティックモデルを導入することにより、外部トレーニングデータを用いることなく、生計測から密度マップの神経表現を直接学習する。 このエネルギー非依存密度再構成フレームワークは、非線形BHEを根本的に解決し、幅広い走査シナリオで優れたMAR性能を実現する。 シミュレーションと実世界の両方のデータセットに対する大規模な実験は、MARのパフォーマンスと堅牢性の観点から、一般的な教師なし手法よりも教師なしダイナーの方が優れていることを示している。

関連論文リスト

• 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)
• DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding [7.6849475214826315]
  本稿では,医療画像合成のためのDDMM-Synthという新しいフレームワークを提案する。 これはMRI誘導拡散モデルと新しいCT計測埋め込み逆サンプリングスキームを組み合わせたものである。 特定の臨床応用のための後方CTの投射数を調整することができ、その修正版はノイズのある症例に対して結果を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-03-28T07:13:11Z)
• 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)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• 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)
• 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。