論文の概要: ACCELERATION: Sequentially-scanning DECT Imaging Using High Temporal Resolution Image Reconstruction And Temporal Extrapolation
- arxiv url: http://arxiv.org/abs/2408.06163v1
- Date: Mon, 12 Aug 2024 14:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 13:13:27.373912
- Title: ACCELERATION: Sequentially-scanning DECT Imaging Using High Temporal Resolution Image Reconstruction And Temporal Extrapolation
- Title(参考訳): ACCELEATION:高分解能画像再構成と時間外挿を用いた連続走査型DECTイメージング
- Authors: Qiaoxin Li, Dong Liang, Yinsheng Li,
- Abstract要約: 臨床対象検診から得られた数値シミュレーションデータセットを用いて,アクセレーションの有効性を検証・評価した。
その結果, ヨウ素定量精度はACCELERATIONにより向上した。
- 参考スコア(独自算出の注目度): 4.422359420728541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dual-energy computed tomography (DECT) has been widely used to obtain quantitative elemental composition of imaged subjects for personalized and precise medical diagnosis. Compared with existing high-end DECT leveraging advanced X-ray source and/or detector technologies, the use of the sequentially-scanning data acquisition scheme to implement DECT may make broader impact on clinical practice because this scheme requires no specialized hardware designs. However, since the concentration of iodinated contrast agent in the imaged subject varies over time, sequentially-scanned data sets acquired at two tube potentials are temporally inconsistent. As existing material decomposition approaches for DECT assume that the data sets acquired at two tube potentials are temporally consistent, the violation of this assumption results in inaccurate quantification accuracy of iodine concentration. In this work, we developed a technique to achieve sequentially-scanning DECT imaging using high temporal resolution image reconstruction and temporal extrapolation, ACCELERATION in short, to address the technical challenge induced by temporal inconsistency of sequentially-scanned data sets and improve iodine quantification accuracy in sequentially-scanning DECT. ACCELERATION has been validated and evaluated using numerical simulation data sets generated from clinical human subject exams. Results demonstrated the improvement of iodine quantification accuracy using ACCELERATION.
- Abstract(参考訳): Dual-Energy Computed Tomography (DECT) は画像の定量的な元素組成を得るために広く用いられている。
先進的なX線源および/または検出器技術を利用する既存のハイエンドDECTと比較して、DECTを実装するためのシーケンシャルスキャンデータ取得スキームの使用は、特別なハードウェア設計を必要としないため、臨床実践に大きな影響を与える可能性がある。
しかし、撮像対象物中のヨウ素化コントラスト剤の濃度は時間とともに変化するため、2つの管電位で取得された逐次走査されたデータセットは時間的に矛盾する。
DECTの既存の物質分解アプローチは、2つの管電位で得られたデータセットが時間的に一貫したものであると仮定するので、この仮定の違反はヨウ素濃度の不正確な定量化精度をもたらす。
本研究では,高分解能画像再構成と時間外挿を用いた逐次走査型DECTイメージングを実現する手法を開発し,逐次走査型DECTの時間的不整合に起因する技術的課題に対処し,連続走査型DECTにおけるヨウ素定量化精度を向上させる。
臨床対象検診から得られた数値シミュレーションデータセットを用いて,アクセレーションの有効性を検証・評価した。
その結果, ヨウ素定量精度はACCELERATIONにより向上した。
関連論文リスト
- Estimating Task-based Performance Bounds for Accelerated MRI Image Reconstruction Methods by Use of Learned-Ideal Observers [7.765750378590293]
画像計測に作用する理想的なオブザーバ(IO)の性能は、画像システムの最適化の指針として長年議論されてきた。
IOパフォーマンスの推定は、アンダーサンプリングされたデータ取得テクニックを設計する際の貴重なガイダンスを提供することができる。
論文 参考訳(メタデータ) (2025-01-16T01:09:30Z) - Reconstructing Quantitative Cerebral Perfusion Images Directly From Measured Sinogram Data Acquired Using C-arm Cone-Beam CT [11.97193686553776]
現在の定量的灌流イメージングは、時間分解画像再構成と灌流パラメトリック推定という2つのカスケードステップを含む。
これらの2つの課題は、C-arm CBCTを用いて定量的に正確な灌流画像を得るのを防ぐことである。
現に開発された直接脳血流パラメトリック画像再構成技術であるTRAINERでは、定量的灌流画像は時間分解CTフォワードモデルの制約の下で訓練された主観的条件生成モデルとして表現されている。
論文 参考訳(メタデータ) (2024-12-06T14:42:50Z) - Synthesizing Late-Stage Contrast Enhancement in Breast MRI: A Comprehensive Pipeline Leveraging Temporal Contrast Enhancement Dynamics [0.3499870393443268]
本研究では,後期DCE-MRI画像の初期段階データから合成するためのパイプラインを提案する。
提案手法では, コントラストエージェントの時間的挙動を利用して生成モデルの訓練を指導する, 新たな損失関数である時間強度損失(TI-loss)を導入する。
アノテーション付き領域における拡張パターンを検証するContrast Agent Pattern Score(mathcalCP_s$)と、実際の拡張と生成された拡張の違いを測定するAverage difference in Enhancement(mathcalED$)の2つの指標が画像品質を評価するために提案されている。
論文 参考訳(メタデータ) (2024-09-03T04:31:49Z) - Sequential-Scanning Dual-Energy CT Imaging Using High Temporal Resolution Image Reconstruction and Error-Compensated Material Basis Image Generation [6.361772490498643]
我々は高時間分解能画像再構成と誤差補償材料ベース画像生成を用いたシーケンシャルスキャン画像を開発した。
その結果,ACCELERATIONによる定量化精度と画質の向上が示された。
論文 参考訳(メタデータ) (2024-08-27T03:09:39Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳(メタデータ) (2024-06-03T16:30:19Z) - End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。
AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文 参考訳(メタデータ) (2024-06-01T16:20:59Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳(メタデータ) (2024-03-21T15:13:36Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - 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) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - A Machine-learning Based Initialization for Joint Statistical Iterative
Dual-energy CT with Application to Proton Therapy [9.887533541077193]
CNNに基づくシミュレーション手法を導入し,反復アルゴリズムの計算時間を短縮する。
本手法は, 脂肪, ファントム扁桃, 筋肉組織に対する評価精度を大幅に向上させるとともに, 鑑別画像を生成する。
論文 参考訳(メタデータ) (2021-07-30T23:49:22Z)
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。