論文の概要: Unlocking the Potential of Early Epochs: Uncertainty-aware CT Metal Artifact Reduction
- arxiv url: http://arxiv.org/abs/2406.12186v2
- Date: Thu, 20 Jun 2024 09:09:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-22 00:57:29.892567
- Title: Unlocking the Potential of Early Epochs: Uncertainty-aware CT Metal Artifact Reduction
- Title（参考訳）: 早期エポックの可能性を解き明かす:不確かさを意識したCT金属アーチファクト削減
- Authors: Xinquan Yang, Guanqun Zhou, Wei Sun, Youjian Zhang, Zhongya Wang, Jiahui He, Zhicheng Zhang,
- Abstract要約: CT(Computerd tomography)では、患者の金属インプラントの存在は、再建された画像に破壊的なアーティファクトをもたらすことが多い。
本稿では,初期トレーニング重量の復元結果から算出した不確実性画像が,高周波領域を効果的に強調することを発見した。
本稿では,MARネットワークを金属加工領域に集中させるために,不確実性画像を適応重みとして利用する不確実性制約(UC)損失を提案する。
- 参考スコア（独自算出の注目度）: 7.4965536794782945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In computed tomography (CT), the presence of metallic implants in patients often leads to disruptive artifacts in the reconstructed images, hindering accurate diagnosis. Recently, a large amount of supervised deep learning-based approaches have been proposed for metal artifact reduction (MAR). However, these methods neglect the influence of initial training weights. In this paper, we have discovered that the uncertainty image computed from the restoration result of initial training weights can effectively highlight high-frequency regions, including metal artifacts. This observation can be leveraged to assist the MAR network in removing metal artifacts. Therefore, we propose an uncertainty constraint (UC) loss that utilizes the uncertainty image as an adaptive weight to guide the MAR network to focus on the metal artifact region, leading to improved restoration. The proposed UC loss is designed to be a plug-and-play method, compatible with any MAR framework, and easily adoptable. To validate the effectiveness of the UC loss, we conduct extensive experiments on the public available Deeplesion and CLINIC-metal dataset. Experimental results demonstrate that the UC loss further optimizes the network training process and significantly improves the removal of metal artifacts.
- Abstract（参考訳）: CT(Computerd tomography)では、患者の金属インプラントの存在は、再建された画像に破壊的なアーティファクトをもたらすことが多く、正確な診断を妨げている。
近年,金属人工物削減 (MAR) のために,多数の教師付き深層学習に基づくアプローチが提案されている。
しかし、これらの方法は初期訓練重量の影響を無視する。
本稿では,初期トレーニング重量の復元結果から得られた不確実性画像が,金属加工品を含む高周波領域を効果的に強調できることを発見した。
この観測は、MARネットワークが金属のアーティファクトを除去するのを助けるために利用することができる。
そこで本研究では,MARネットワークを金属加工領域に集中させるための適応重みとして不確実性画像を利用する不確実性制約(UC)損失を提案する。
提案したUC損失はプラグイン・アンド・プレイ方式として設計されており、任意のMARフレームワークと互換性があり、容易に適用可能である。
UC損失の有効性を検証するため,一般公開のDeeplesionとCLINIC-Mealデータセットについて広範な実験を行った。
実験の結果,UCの損失はネットワークトレーニングプロセスをさらに最適化し,金属加工物の除去を大幅に改善することが示された。
関連論文リスト
- MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳（メタデータ） (2023-11-16T06:02:03Z) - 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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - 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) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 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) - Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning [30.977044473457]
金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。
我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。
次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
論文 参考訳（メタデータ） (2021-09-28T04:40:57Z) - High Frequency EEG Artifact Detection with Uncertainty via Early Exit
Paradigm [70.50499513259322]
現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。
高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。
われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
論文 参考訳（メタデータ） (2021-07-21T07:05:42Z) - Unsupervised CT Metal Artifact Learning using Attention-guided
beta-CycleGAN [36.1921415839058]
金属アーチファクトリダクション(MAR)はCT(Computerd tomography)において最も重要な研究課題の一つである。
そこで本研究では,CTのためのよりシンプルで効果的に教師なしのMAR法を提案する。
論文 参考訳（メタデータ） (2020-07-07T14:11:47Z) - 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) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳（メタデータ） (2020-01-02T06:39:06Z)
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。