論文の概要: Sequential-Scanning Dual-Energy CT Imaging Using High Temporal Resolution Image Reconstruction and Error-Compensated Material Basis Image Generation
- arxiv url: http://arxiv.org/abs/2408.14754v1
- Date: Tue, 27 Aug 2024 03:09:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 15:04:48.479959
- Title: Sequential-Scanning Dual-Energy CT Imaging Using High Temporal Resolution Image Reconstruction and Error-Compensated Material Basis Image Generation
- Title（参考訳）: 高分解能画像再構成と誤差補償材料基底画像生成を用いた連続走査型デュアルエネルギーCT画像
- Authors: Qiaoxin Li, Ruifeng Chen, Peng Wang, Guotao Quan, Yanfeng Du, Dong Liang, Yinsheng Li,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.361772490498643
- 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 DECT leveraging advanced X-ray source and/or detector technologies, the use of the sequential-scanning data acquisition scheme to implement DECT may make a broader impact on clinical practice because this scheme requires no specialized hardware designs and can be directly implemented into conventional CT systems. 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 basis image reconstruction approaches assume that the data sets acquired at two tube potentials are temporally consistent, the violation of this assumption results in inaccurate quantification of material concentration. In this work, we developed sequential-scanning DECT imaging using high temporal resolution image reconstruction and error-compensated material basis image generation, ACCELERATION in short, to address the technical challenge induced by temporal inconsistency of sequentially scanned data sets and improve quantification accuracy of material concentration in sequential-scanning DECT. ACCELERATION has been validated and evaluated using numerical simulation data sets generated from clinical human subject exams and experimental human subject studies. Results demonstrated the improvement of quantification accuracy and image quality 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DECTと比較して、DECTを実装するシーケンシャルスキャンデータ取得スキームは、特別なハードウェア設計を必要とせず、従来のCTシステムに直接実装できるため、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つの管電位で得られた逐次走査されたデータセットは時間的に矛盾する。
既存の物質ベース画像再構成手法は、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、この仮定の違反は物質濃度の不正確な定量化をもたらす。
本研究では,高時間分解能画像再構成と誤り補償材料ベース画像生成を用いたシーケンシャル走査DECTイメージングを開発し,逐次走査したデータセットの時間的不整合に起因する技術的課題に対処し,シーケンシャル走査DECTにおける物質濃度の定量化精度を向上させる。
臨床用人体試験および実験用人体実験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,ACCELERATIONによる定量化精度と画質の向上が示された。
関連論文リスト
- ACCELERATION: Sequentially-scanning DECT Imaging Using High Temporal Resolution Image Reconstruction And Temporal Extrapolation [4.422359420728541]
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。
論文 参考訳（メタデータ） (2024-08-12T14:03:17Z) - 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) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - 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) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - 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) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-12-23T19:20:38Z) - A Bayesian Optimization Approach for Attenuation Correction in SPECT
Brain Imaging [1.2209547858269227]
本稿では, SPECT脳画像における減衰補正(BOAC)に対するベイズ最適化手法を提案する。
BOACは、数値ファントムからシミュレートしたノイズと減衰したシングラムを用いたSPECT脳画像で実証されている。
論文 参考訳（メタデータ） (2021-09-24T12:27:06Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z) - 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。