論文の概要: MVMS-RCN: A Dual-Domain Unfolding CT Reconstruction with Multi-sparse-view and Multi-scale Refinement-correction

• arxiv url: http://arxiv.org/abs/2405.17141v1
• Date: Mon, 27 May 2024 13:01:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 15:22:54.642313
• Title: MVMS-RCN: A Dual-Domain Unfolding CT Reconstruction with Multi-sparse-view and Multi-scale Refinement-correction
• Title（参考訳）: MVMS-RCN : Multi-sparse-view と Multi-scale Refinement-correction を用いたDual-Domain Unfolding CT 再構成
• Authors: Xiaohong Fan, Ke Chen, Huaming Yi, Yin Yang, Jianping Zhang,
• Abstract要約: スパースビューCTは、低線量へのプロジェクションビューの数を減少させる。 既存の深層学習(DL)と深部展開スパルスCT再構成法では,プロジェクションデータを完全には利用していない。 本稿では,スパルス・ビュー・トモグラフィー再構成のための数学的アイデアと最適DLイメージングアルゴリズムの設計を目的とする。
• 参考スコア（独自算出の注目度）: 9.54126979075279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray Computed Tomography (CT) is one of the most important diagnostic imaging techniques in clinical applications. Sparse-view CT imaging reduces the number of projection views to a lower radiation dose and alleviates the potential risk of radiation exposure. Most existing deep learning (DL) and deep unfolding sparse-view CT reconstruction methods: 1) do not fully use the projection data; 2) do not always link their architecture designs to a mathematical theory; 3) do not flexibly deal with multi-sparse-view reconstruction assignments. This paper aims to use mathematical ideas and design optimal DL imaging algorithms for sparse-view tomography reconstructions. We propose a novel dual-domain deep unfolding unified framework that offers a great deal of flexibility for multi-sparse-view CT reconstruction with different sampling views through a single model. This framework combines the theoretical advantages of model-based methods with the superior reconstruction performance of DL-based methods, resulting in the expected generalizability of DL. We propose a refinement module that utilizes unfolding projection domain to refine full-sparse-view projection errors, as well as an image domain correction module that distills multi-scale geometric error corrections to reconstruct sparse-view CT. This provides us with a new way to explore the potential of projection information and a new perspective on designing network architectures. All parameters of our proposed framework are learnable end to end, and our method possesses the potential to be applied to plug-and-play reconstruction. Extensive experiments demonstrate that our framework is superior to other existing state-of-the-art methods. Our source codes are available at https://github.com/fanxiaohong/MVMS-RCN.
• Abstract（参考訳）: X線CT(CT)は臨床応用において最も重要な診断技術の一つである。 スパースビューCTは、低い放射線線量に対するプロジェクションビューの数を減少させ、放射線照射の潜在的なリスクを軽減する。 既存の深層学習(DL)と深部展開スパルスCT再構成法 1) 投影データを完全に使用していない。 2) 建築設計を必ずしも数学的理論と結びつけてはならない。 3) マルチスパース・ビュー・リコンストラクションの割り当てを柔軟に扱わない。 本稿では,スパルス・ビュー・トモグラフィー再構成のための数学的アイデアと最適DLイメージングアルゴリズムの設計を目的とする。 単一モデルによる異なるサンプリングビューを持つマルチスパースCT再構成において,大きな柔軟性を提供する,新しいデュアルドメイン・ディープ・アンフォールディング統合フレームワークを提案する。 この枠組みは、モデルベース手法の理論的利点と、DLベースの手法の優れた再構成性能を組み合わせ、DLの期待される一般化性をもたらす。 本研究では,拡大投影領域を利用して全視点投影誤差を補正する補正モジュールと,多スケールの幾何誤差補正を蒸留してスパースCTを再構成する画像領域補正モジュールを提案する。 これにより、プロジェクション情報の可能性を探る新たな方法と、ネットワークアーキテクチャの設計に対する新たな視点が得られます。 提案するフレームワークの全てのパラメータは学習可能なエンドツーエンドであり,プラグ・アンド・プレイの再構成に適用できる可能性を持っている。 大規模な実験により、我々のフレームワークは他の最先端の手法よりも優れていることが示された。 ソースコードはhttps://github.com/fanxiaohong/MVMS-RCN.comで公開されています。

関連論文リスト

• CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
  Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:06:15Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• MEPNet: A Model-Driven Equivariant Proximal Network for Joint Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
  我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。 MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。 コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
  論文  参考訳（メタデータ） (2023-06-25T15:50:11Z)
• Learned Alternating Minimization Algorithm for Dual-domain Sparse-View CT Reconstruction [6.353014736326698]
  デュアルドメインビューCT画像再構成のための新しい学習最小化アルゴリズム(LAMA)を提案する。 LAMAは信頼性の高い再構築のために確実に収束している。
  論文  参考訳（メタデータ） (2023-06-05T07:29:18Z)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• 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)
• LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT [17.168584459606272]
  LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。 その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T07:00:50Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。