論文の概要: Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models
- arxiv url: http://arxiv.org/abs/2408.03156v2
- Date: Thu, 12 Sep 2024 11:28:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 21:10:23.573015
- Title: Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models
- Title(参考訳): 浅拡散モデルの潜時可変最適化による反復CT再構成
- Authors: Sho Ozaki, Shizuo Kaji, Toshikazu Imae, Kanabu Nawa, Hideomi Yamashita, Keiichi Nakagawa,
- Abstract要約: 拡散確率モデルと反復CT再構成を組み合わせた新しいCT再構成法を提案する。
提案手法の有効性を1/10プロジェクションデータのスパースプロジェクションCT再構成を用いて実証した。
- 参考スコア(独自算出の注目度): 1.4019041243188557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-generative artificial intelligence (AI) has garnered significant attention in recent years. In particular, the diffusion model, a core component of generative AI, produces high-quality images with rich diversity. In this study, we proposed a novel computed tomography (CT) reconstruction method by combining the denoising diffusion probabilistic model with iterative CT reconstruction. In sharp contrast to previous studies, we optimized the fidelity loss of CT reconstruction with respect to the latent variable of the diffusion model, instead of the image and model parameters. To suppress the changes in anatomical structures produced by the diffusion model, we shallowed the diffusion and reverse processes and fixed a set of added noises in the reverse process to make it deterministic during the inference. We demonstrated the effectiveness of the proposed method through the sparse-projection CT reconstruction of 1/10 projection data. Despite the simplicity of the implementation, the proposed method has the potential to reconstruct high-quality images while preserving the patient's anatomical structures and was found to outperform existing methods, including iterative reconstruction, iterative reconstruction with total variation, and the diffusion model alone in terms of quantitative indices such as the structural similarity index and peak signal-to-noise ratio. We also explored further sparse-projection CT reconstruction using 1/20 projection data with the same trained diffusion model. As the number of iterations increased, the image quality improved comparable to that of 1/10 sparse-projection CT reconstruction. In principle, this method can be widely applied not only to CT but also to other imaging modalities.
- Abstract(参考訳): 近年,画像生成人工知能(AI)が注目されている。
特に、生成AIのコアコンポーネントである拡散モデルは、豊富な多様性を持つ高品質な画像を生成する。
本研究では,拡散確率モデルと反復CT再構成を組み合わせたCT再構成法を提案する。
従来の研究とは対照的に,画像やモデルパラメータの代わりに拡散モデルの潜在変数に対してCT再構成の忠実度損失を最適化した。
拡散モデルにより生じる解剖構造の変化を抑制するため,拡散および逆過程を浅くし,逆過程に付加した雑音の集合を固定し,推論中に決定的となるようにした。
提案手法の有効性を1/10プロジェクションデータのスパースプロジェクションCT再構成を用いて実証した。
提案手法は, 実装の単純さにもかかわらず, 患者の解剖学的構造を維持しながら高品質な画像の再構成が可能であり, 構造類似度指数やピーク信号-雑音比などの定量的指標から, 反復的再構成, 全変動を伴う反復的再構成, 拡散モデルなど, 既存の手法よりも優れていることがわかった。
また, 同じ訓練拡散モデルを用いた1/20プロジェクションデータを用いて, よりスパースプロジェクションCTの再構成についても検討した。
反復回数が増えるにつれて、画像の画質は1/10スパースCTと同等に向上した。
原理的には、この方法はCTだけでなく、他の画像モダリティにも広く応用できる。
関連論文リスト
- Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。
反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。
その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文 参考訳(メタデータ) (2024-05-27T13:44:53Z) - MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。
提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。
プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
論文 参考訳(メタデータ) (2024-05-09T14:52:32Z) - ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳(メタデータ) (2024-03-21T17:52:08Z) - CT Reconstruction using Diffusion Posterior Sampling conditioned on a Nonlinear Measurement Model [17.26789842018146]
拡散後方サンプリングは, 高品質なCT画像の高画質化に用いられている。
現在の手法は、画像の再構成や復元にX線CT物理の線形モデルに依存している。
本研究では,拡散後サンプリングによる非線形CT画像再構成の逆問題を解決する手法を提案する。
論文 参考訳(メタデータ) (2023-12-03T17:20:11Z) - Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and
Unsupervised Learning [13.17680480211064]
X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。
提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。
限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
論文 参考訳(メタデータ) (2023-11-19T20:23:59Z) - Diffusion Prior Regularized Iterative Reconstruction for Low-dose CT [9.866443235747287]
拡散前に正規化された反復的再構成アルゴリズムを導入する。
また、ネステロフ運動量加速技術も取り入れた。
本手法は,高分解能CT画像の再構成を最小限の放射線で行うことが可能である。
論文 参考訳(メタデータ) (2023-10-10T19:08:57Z) - Diffusion Models for Image Restoration and Enhancement -- A
Comprehensive Survey [96.99328714941657]
本稿では,近年の拡散モデルに基づく画像復元手法について概観する。
我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。
本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
論文 参考訳(メタデータ) (2023-08-18T08:40:38Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - 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)
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。