論文の概要: Learning Task-Specific Sampling Strategy for Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2409.01544v1
- Date: Tue, 3 Sep 2024 02:26:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 03:21:06.676553
- Title: Learning Task-Specific Sampling Strategy for Sparse-View CT Reconstruction
- Title（参考訳）: Sparse-View CT再構成のためのタスク特異サンプリング戦略の学習
- Authors: Liutao Yang, Jiahao Huang, Yingying Fang, Angelica I Aviles-Rivero, Carola-Bibiane Schonlieb, Daoqiang Zhang, Guang Yang,
- Abstract要約: Sparse-View Computed Tomography (SVCT) は低線量で高速な画像撮影を提供するが、深刻なアーティファクトに悩まされている。
現在の手法は、通常、あらゆる種類のスキャンに対して普遍的なサンプリング戦略を最適化し、最適戦略が特定のスキャンタスクによって異なるという事実を見越す。
本稿では,タスク固有のサンプリング戦略をマルチタスクアプローチで学習し,統合再構築ネットワークを訓練するディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.275105936699074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse-View Computed Tomography (SVCT) offers low-dose and fast imaging but suffers from severe artifacts. Optimizing the sampling strategy is an essential approach to improving the imaging quality of SVCT. However, current methods typically optimize a universal sampling strategy for all types of scans, overlooking the fact that the optimal strategy may vary depending on the specific scanning task, whether it involves particular body scans (e.g., chest CT scans) or downstream clinical applications (e.g., disease diagnosis). The optimal strategy for one scanning task may not perform as well when applied to other tasks. To address this problem, we propose a deep learning framework that learns task-specific sampling strategies with a multi-task approach to train a unified reconstruction network while tailoring optimal sampling strategies for each individual task. Thus, a task-specific sampling strategy can be applied for each type of scans to improve the quality of SVCT imaging and further assist in performance of downstream clinical usage. Extensive experiments across different scanning types provide validation for the effectiveness of task-specific sampling strategies in enhancing imaging quality. Experiments involving downstream tasks verify the clinical value of learned sampling strategies, as evidenced by notable improvements in downstream task performance. Furthermore, the utilization of a multi-task framework with a shared reconstruction network facilitates deployment on current imaging devices with switchable task-specific modules, and allows for easily integrate new tasks without retraining the entire model.
- Abstract（参考訳）: Sparse-View Computed Tomography (SVCT) は低線量で高速な画像撮影を提供するが、深刻なアーティファクトに悩まされている。
SVCTの撮像品質を向上させるためには,サンプリング戦略の最適化が不可欠である。
しかし、現在の方法では、特定のスキャンタスク(例えば、胸部CTスキャン)や下流臨床応用(例えば、疾患診断)にかかわる、最適な方法が特定のスキャンタスクによって異なるという事実を見越して、あらゆる種類のスキャンに対して普遍的なサンプリング戦略を最適化するのが一般的である。
1つのスキャニングタスクに対して最適な戦略は、他のタスクに適用してもうまく機能しないかもしれない。
この問題に対処するために,各タスクに対して最適なサンプリング戦略を調整しつつ,統合された再構築ネットワークをトレーニングするためのマルチタスクアプローチを用いて,タスク固有のサンプリング戦略を学習するディープラーニングフレームワークを提案する。
これにより,各種類のスキャンに対してタスク特異的サンプリング戦略を適用し,SVCT画像の画質を向上させるとともに,下流での臨床利用の促進を図ることができる。
様々な走査型にわたる広範囲な実験により、画像品質を向上させるためのタスク固有のサンプリング戦略の有効性が検証された。
下流タスクを含む実験は、下流タスク性能の顕著な改善によって証明されたように、学習されたサンプリング戦略の臨床的価値を検証する。
さらに,共有再構成ネットワークを用いたマルチタスクフレームワークの利用により,タスク固有のモジュールを切り替え可能な現在のイメージングデバイスへの展開が容易になり,モデル全体を再トレーニングすることなく,新たなタスクを容易に統合できるようになった。
関連論文リスト
- Application of Gated Recurrent Units for CT Trajectory Optimization [3.4916237834391874]
本稿では, Gated Recurrent Units (GRUs) を用いたCTスキャントラジェクトリの最適化手法を提案する。
我々はコーンビームCTに焦点をあて、吸収、画素強度、コントラスト・ツー・ノイズ比、データの完全性など、プロジェクションに基づくいくつかの指標を用いている。
その結果,GRU最適化スキャントラジェクトリは,画像品質の指標から従来の円形CTトラジェクトリよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-05-15T13:33:23Z) - MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。
実験により,提案手法が現在の先行手法を超越していることが実証された。
論文 参考訳（メタデータ） (2024-01-19T04:40:20Z) - Active learning using adaptable task-based prioritisation [7.0002224852386545]
我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。
メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。
提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-12-03T22:37:38Z) - Active CT Reconstruction with a Learned Sampling Policy [20.076651784096736]
患者固有の高品質な再建のためのサンプリング位置を最適化するアクティブサンプリングポリシーを学習する。
NIH-AAPMデータセットにおいて、一般的な一様サンプリングよりも優れた性能を実現する。
このような設計により、関心のある領域内での復元品質を改善したRoI対応の再構築が可能となる。
論文 参考訳（メタデータ） (2022-11-03T09:27:33Z) - A Practical Contrastive Learning Framework for Single-Image
Super-Resolution [51.422185656787285]
コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。
SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。
既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
論文 参考訳（メタデータ） (2021-11-27T15:42:12Z) - Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。
タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。
実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2021-06-04T20:15:34Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - TSIT: A Simple and Versatile Framework for Image-to-Image Translation [103.92203013154403]
画像間翻訳のためのシンプルで多用途なフレームワークを提案する。
新たに提案した特徴変換を用いた2ストリーム生成モデルを提案する。
これにより、マルチスケールのセマンティック構造情報とスタイル表現を効果的に捕捉し、ネットワークに融合させることができる。
体系的な研究は、提案手法をいくつかの最先端タスク固有のベースラインと比較し、知覚的品質と定量的評価の両面での有効性を検証する。
論文 参考訳（メタデータ） (2020-07-23T15:34:06Z) - Adaptive Task Sampling for Meta-Learning [79.61146834134459]
数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。
一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T03:15:53Z) - Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。
提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
論文 参考訳（メタデータ） (2020-06-19T16:52:16Z)
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。