論文の概要: 3D Photon Counting CT Image Super-Resolution Using Conditional Diffusion Model
- arxiv url: http://arxiv.org/abs/2408.15283v1
- Date: Thu, 22 Aug 2024 02:25:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-29 18:22:33.435900
- Title: 3D Photon Counting CT Image Super-Resolution Using Conditional Diffusion Model
- Title(参考訳): 条件拡散モデルを用いた3次元光子計数CT画像超解像
- Authors: Chuang Niu, Christopher Wiedeman, Mengzhou Li, Jonathan S Maltz, Ge Wang,
- Abstract要約: 本研究の目的は、拡散確率モデル(DDPM)を用いた光子計数CT(PCCT)画像分解能の向上である。
私たちはまずCatSimを利用して,高分解能CTスキャンから現実的な低分解能PCCT画像をシミュレートする。
DDPM性能の最大化は推論とトレーニングの両方に時間を要するため,条件付きDDPMのための2次元ネットワークと3次元ネットワークを探索する。
- 参考スコア(独自算出の注目度): 6.75361442343724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study aims to improve photon counting CT (PCCT) image resolution using denoising diffusion probabilistic models (DDPM). Although DDPMs have shown superior performance when applied to various computer vision tasks, their effectiveness has yet to be translated to high dimensional CT super-resolution. To train DDPMs in a conditional sampling manner, we first leverage CatSim to simulate realistic lower resolution PCCT images from high-resolution CT scans. Since maximizing DDPM performance is time-consuming for both inference and training, especially on high-dimensional PCCT data, we explore both 2D and 3D networks for conditional DDPM and apply methods to accelerate training. In particular, we decompose the 3D task into efficient 2D DDPMs and design a joint 2D inference in the reverse diffusion process that synergizes 2D results of all three dimensions to make the final 3D prediction. Experimental results show that our DDPM achieves improved results versus baseline reference models in recovering high-frequency structures, suggesting that a framework based on realistic simulation and DDPM shows promise for improving PCCT resolution.
- Abstract(参考訳): 本研究の目的は、拡散確率モデル(DDPM)を用いて、光子計数CT(PCCT)画像の解像度を改善することである。
DDPMは様々なコンピュータビジョンタスクに適用した場合に優れた性能を示すが、その効果は高次元CT超解像への変換には至っていない。
DDPMを条件付きサンプリング方式で訓練するために,我々はまずCatSimを利用して,高分解能CTスキャンから現実的な低分解能PCCT画像をシミュレートする。
DDPM性能の最大化は、特に高次元PCCTデータにおいて、推論とトレーニングの両方に時間を要するため、条件付きDDPMのための2Dネットワークと3Dネットワークの両方を探索し、トレーニングを加速する手法を適用する。
特に,3次元タスクを効率的な2次元DDPMに分解し,3次元の2次元結果を相乗化して最終的な3次元予測を行う逆拡散過程におけるジョイント2次元推論を設計する。
実験の結果, DDPMは高周波数構造回復における基準基準モデルよりも優れた結果が得られ, 現実的なシミュレーションとDDPMに基づくフレームワークはPCCTの分解能の向上を約束することを示した。
関連論文リスト
- Explaining 3D Computed Tomography Classifiers with Counterfactuals [5.782952470371709]
2次元アプリケーションから3次元CTスキャンに拡張する。
限られたトレーニングサンプルや高いメモリ要求など,3Dデータに関連する課題に対処する。
論文 参考訳(メタデータ) (2025-02-11T00:44:20Z) - Introducing 3D Representation for Medical Image Volume-to-Volume Translation via Score Fusion [3.3559609260669303]
Score-Fusionは、垂直に訓練された2次元拡散モデルをスコア関数空間に組み込むことで、3次元表現を効果的に学習する新しいボリューム変換モデルである。
Score-Fusionは,3次元医用画像の高分解能・モダリティ変換において,高い精度と容積忠実性が得られることを示す。
論文 参考訳(メタデータ) (2025-01-13T15:54:21Z) - From Diffusion to Resolution: Leveraging 2D Diffusion Models for 3D Super-Resolution Task [19.56372155146739]
本稿では,3次元電子顕微鏡(vEM)の超解像性を高めるために,2次元拡散モデルと体積内の横方向の連続性を利用する新しい手法を提案する。
イオンビーム走査型電子顕微鏡(FIB-SEM)の2つのデータを用いて,本フレームワークのロバスト性と実用性を示した。
論文 参考訳(メタデータ) (2024-11-25T09:12:55Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳(メタデータ) (2023-12-02T02:27:58Z) - Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse
Problems [7.074380879971194]
本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。
トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。
再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
論文 参考訳(メタデータ) (2023-08-16T17:07:40Z) - Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。
MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文 参考訳(メタデータ) (2023-03-15T08:28:06Z) - RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。
表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
論文 参考訳(メタデータ) (2022-05-14T05:35:35Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。
主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。
本稿では,D2S(Deep-to-scale)投影法を提案する。
論文 参考訳(メタデータ) (2020-10-27T03:31:35Z)
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。