論文の概要: UnWave-Net: Unrolled Wavelet Network for Compton Tomography Image Reconstruction
- arxiv url: http://arxiv.org/abs/2406.03413v1
- Date: Wed, 5 Jun 2024 16:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 17:02:29.864431
- Title: UnWave-Net: Unrolled Wavelet Network for Compton Tomography Image Reconstruction
- Title（参考訳）: UnWave-Net:コンプトントモグラフィ画像再構成のためのアンロールウェーブレットネットワーク
- Authors: Ishak Ayad, Cécilia Tarpau, Javier Cebeiro, Maï K. Nguyen,
- Abstract要約: Compton scatter tomography (CST) は従来のCTの代替として興味深いものである。
ディープ・アンローリング・ネットワークはCT画像再構成の可能性を実証している。
UnWave-Netは、新しいウェーブレットベースの再構成ネットワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) is a widely used medical imaging technique to scan internal structures of a body, typically involving collimation and mechanical rotation. Compton scatter tomography (CST) presents an interesting alternative to conventional CT by leveraging Compton physics instead of collimation to gather information from multiple directions. While CST introduces new imaging opportunities with several advantages such as high sensitivity, compactness, and entirely fixed systems, image reconstruction remains an open problem due to the mathematical challenges of CST modeling. In contrast, deep unrolling networks have demonstrated potential in CT image reconstruction, despite their computationally intensive nature. In this study, we investigate the efficiency of unrolling networks for CST image reconstruction. To address the important computational cost required for training, we propose UnWave-Net, a novel unrolled wavelet-based reconstruction network. This architecture includes a non-local regularization term based on wavelets, which captures long-range dependencies within images and emphasizes the multi-scale components of the wavelet transform. We evaluate our approach using a CST of circular geometry which stays completely static during data acquisition, where UnWave-Net facilitates image reconstruction in the absence of a specific reconstruction formula. Our method outperforms existing approaches and achieves state-of-the-art performance in terms of SSIM and PSNR, and offers an improved computational efficiency compared to traditional unrolling networks.
- Abstract（参考訳）: CT(Computed tomography)は、身体の内部構造をスキャンする医療画像技術として広く用いられている。
コンプトン散乱トモグラフィー(CST)は、コンプトン物理を利用して複数の方向から情報を集めることで、従来のCTに代わる興味深い方法を示す。
CSTは、高感度、コンパクト性、完全に固定されたシステムなどいくつかの利点を持つ新しい画像撮影の機会を導入するが、CSTモデリングの数学的課題のため、画像再構成は未解決のままである。
対照的に、ディープ・アンローリング・ネットワークは、計算集約的な性質にもかかわらず、CT画像再構成の可能性を示している。
本研究では,CST画像再構成におけるアンローリングネットワークの効率について検討する。
トレーニングに要する重要な計算コストに対処するために,新しいウェーブレットベースの再構成ネットワークUnWave-Netを提案する。
このアーキテクチャは、ウェーブレットに基づく非局所正規化項を含み、画像内の長距離依存関係をキャプチャし、ウェーブレット変換のマルチスケールコンポーネントを強調する。
データ取得時に完全に静的な円形形状のCSTを用いて,UnWave-Netが特定の再構成式なしで画像再構成を容易にする手法について検討した。
提案手法は既存の手法よりも優れ,SSIMやPSNRの観点から最先端の性能を実現し,従来のアンローリングネットワークと比較して計算効率の向上を実現している。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - A Lightweight Dual-Domain Attention Framework for Sparse-View CT
Reconstruction [6.553233856627479]
我々はCAGANと呼ばれる新しい軽量ネットワークを設計し、並列ビームスパースCTのための二重領域再構成パイプラインを提案する。
Shuffle Blocksの適用により、パフォーマンスを犠牲にすることなく、パラメータを4分の1削減できる。
実験の結果、CAGANはモデルの複雑さとパフォーマンスのバランスが良く、私たちのパイプラインはDD-NetとDuDoNetより優れています。
論文 参考訳（メタデータ） (2022-02-19T14:04:59Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2022-01-23T20:09:01Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T06:30:03Z) - A three-dimensional dual-domain deep network for high-pitch and sparse
helical CT reconstruction [13.470588027095264]
我々はヘリカルCT再構成のためのKatsevichアルゴリズムのGPU実装を提案する。
本実装では, シングラムを分割し, CT画像のピッチをピッチで再構成する。
この実装をネットワークに埋め込むことにより,高ピッチヘリカルCT再構成のためのエンドツーエンドのディープネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-07T03:26:15Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Sparse-View Spectral CT Reconstruction Using Deep Learning [0.283239609744735]
マルチチャネル入力と出力を持つU-Net畳み込みニューラルネットワークアーキテクチャを用いて、スパースビュースペクトルCTデータを高速に再構成する手法を提案する。
我々の手法は実行時に高速であり、内部の畳み込みはチャネル間で共有されるため、計算負荷は第一層と最後の層でのみ増加する。
論文 参考訳（メタデータ） (2020-11-30T14:36:23Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。