論文の概要: 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning

• arxiv url: http://arxiv.org/abs/2405.10705v1
• Date: Fri, 17 May 2024 11:23:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 16:13:13.210048
• Title: 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning
• Title（参考訳）: Sparse-View Dynamic DSA画像からの3次元血管再構成
• Authors: Zhentao Liu, Huangxuan Zhao, Wenhui Qin, Zhenghong Zhou, Xinggang Wang, Wenping Wang, Xiaochun Lai, Chuansheng Zheng, Dinggang Shen, Zhiming Cui,
• Abstract要約: 現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
• 参考スコア（独自算出の注目度）: 79.60829508459753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital Subtraction Angiography (DSA) is one of the gold standards in vascular disease diagnosing. With the help of contrast agent, time-resolved 2D DSA images deliver comprehensive insights into blood flow information and can be utilized to reconstruct 3D vessel structures. Current commercial DSA systems typically demand hundreds of scanning views to perform reconstruction, resulting in substantial radiation exposure. However, sparse-view DSA reconstruction, aimed at reducing radiation dosage, is still underexplored in the research community. The dynamic blood flow and insufficient input of sparse-view DSA images present significant challenges to the 3D vessel reconstruction task. In this study, we propose to use a time-agnostic vessel probability field to solve this problem effectively. Our approach, termed as vessel probability guided attenuation learning, represents the DSA imaging as a complementary weighted combination of static and dynamic attenuation fields, with the weights derived from the vessel probability field. Functioning as a dynamic mask, vessel probability provides proper gradients for both static and dynamic fields adaptive to different scene types. This mechanism facilitates a self-supervised decomposition between static backgrounds and dynamic contrast agent flow, and significantly improves the reconstruction quality. Our model is trained by minimizing the disparity between synthesized projections and real captured DSA images. We further employ two training strategies to improve our reconstruction quality: (1) coarse-to-fine progressive training to achieve better geometry and (2) temporal perturbed rendering loss to enforce temporal consistency. Experimental results have demonstrated superior quality on both 3D vessel reconstruction and 2D view synthesis.
• Abstract（参考訳）: DSA(Digital Subtraction Angiography)は、血管疾患の診断における金の基準の一つである。 造影剤の助けを借りて、時間分解された2D DSA画像は血流情報に関する総合的な洞察を与え、3D血管構造の再構築に利用することができる。 現在の商用DSAシステムでは、復元のために数百のスキャンビューを要求され、結果としてかなりの放射線にさらされる。 しかし, 放射線量削減を目的とした軽視的DSA再建は, 研究コミュニティではまだ過小評価されている。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本研究では,時間に依存しない容器確率場を用いてこの問題を効果的に解決することを提案する。 我々のアプローチは、血管の確率誘導減衰学習と呼ばれ、DSAイメージングは静的および動的減衰場の相補的な重み付けの組み合わせであり、血管の確率場に由来する重み付けである。 動的マスクとして機能する容器確率は、異なるシーンタイプに適応する静的フィールドと動的フィールドの両方に対して適切な勾配を与える。 この機構は静的背景と動的コントラストエージェントフローの自己制御分解を促進し、再構成品質を著しく向上させる。 本モデルは,合成プロジェクションと実写DSA画像との相違を最小化することにより訓練される。 さらに, 再現性向上のためのトレーニング戦略として, 1) 幾何性向上のための粗大なプログレッシブトレーニング, (2) 時間的整合性を強制するための時間的摂動レンダリング損失の2つが採用されている。 実験結果から,3次元血管再建と2次元画像合成において良好な品質が得られた。

関連論文リスト

• Physics-Informed Learning for Time-Resolved Angiographic Contrast Agent Concentration Reconstruction [3.3359894496511053]
  本稿では、画像に基づく血流シミュレーションのデータセットに基づいてトレーニングされたニューラルネットワークベースのモデルを提案する。 このモデルでは, 血管の各中心点における空間平均コントラスト剤濃度を経時的に予測する。 本手法は, 経時的血管造影画像再構成における機械学習と血流シミュレーションの統合の可能性を示すものである。
  論文  参考訳（メタデータ） (2024-03-04T12:37:52Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
  心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。 提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:46:11Z)
• TiAVox: Time-aware Attenuation Voxels for Sparse-view 4D DSA Reconstruction [34.1903749611458]
  スパースビュー4D DSA再構成のための時間認識減衰ボクセル (TiAVox) アプローチを提案する。 TiAVoxは空間次元と時間次元の両方の減衰特性を反映する4D減衰ボクセル格子を導入している。 臨床およびシミュレートされたデータセットに対するTiAVoxアプローチの検証を行った。
  論文  参考訳（メタデータ） (2023-09-05T15:34:37Z)
• Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse Problems [7.074380879971194]
  本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。 トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。 再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
  論文  参考訳（メタデータ） (2023-08-16T17:07:40Z)
• RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
  カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。 表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-05-14T05:35:35Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
  本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。 ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。 本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
  論文  参考訳（メタデータ） (2020-08-04T21:35:32Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。