論文の概要: CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates

• arxiv url: http://arxiv.org/abs/2409.01571v1
• Date: Tue, 3 Sep 2024 03:06:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 03:06:29.162321
• Title: CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates
• Title（参考訳）: CT-SDM : 全サンプリングレートにわたるスパースビューCT再構成のためのサンプリング拡散モデル
• Authors: Liutao Yang, Jiahao Huang, Guang Yang, Daoqiang Zhang,
• Abstract要約: Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
• 参考スコア（独自算出の注目度）: 16.985836345715963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse views X-ray computed tomography has emerged as a contemporary technique to mitigate radiation dose. Because of the reduced number of projection views, traditional reconstruction methods can lead to severe artifacts. Recently, research studies utilizing deep learning methods has made promising progress in removing artifacts for Sparse-View Computed Tomography (SVCT). However, given the limitations on the generalization capability of deep learning models, current methods usually train models on fixed sampling rates, affecting the usability and flexibility of model deployment in real clinical settings. To address this issue, our study proposes a adaptive reconstruction method to achieve high-performance SVCT reconstruction at any sampling rate. Specifically, we design a novel imaging degradation operator in the proposed sampling diffusion model for SVCT (CT-SDM) to simulate the projection process in the sinogram domain. Thus, the CT-SDM can gradually add projection views to highly undersampled measurements to generalize the full-view sinograms. By choosing an appropriate starting point in diffusion inference, the proposed model can recover the full-view sinograms from any sampling rate with only one trained model. Experiments on several datasets have verified the effectiveness and robustness of our approach, demonstrating its superiority in reconstructing high-quality images from sparse-view CT scans across various sampling rates.
• Abstract（参考訳）: Sparse view X-ray Computed tomography は、放射線量を減らす現代的な手法として登場した。 プロジェクションビューの減少により、従来の再構築手法は深刻なアーティファクトに繋がる可能性がある。 近年,深層学習を用いた研究は,Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 しかし、ディープラーニングモデルの一般化能力の限界を考えると、現在の手法は通常、一定のサンプリングレートでモデルを訓練し、実際の臨床環境でのモデルのデプロイのユーザビリティと柔軟性に影響を与える。 そこで本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。 具体的には, SVCT (CT-SDM) のサンプリング拡散モデルにおける新しい画像劣化演算子を設計し, シングラム領域の投影過程をシミュレートする。 したがって、CT-SDMはプロジェクションビューを高度にアンサンプされた測定に徐々に追加し、フルビュー・シングラムを一般化することができる。 拡散推論において適切な開始点を選択することにより,提案モデルでは,任意のサンプリングレートから1つの訓練されたモデルのみを用いて,フルビュー・シングラムを復元することができる。 提案手法の有効性とロバスト性を検証し,スパークビューCTスキャンによる高画質画像の再構成において,様々なサンプリングレートでその優位性を実証した。

関連論文リスト

• Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models [1.4019041243188557]
  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。
  論文  参考訳（メタデータ） (2024-08-06T12:55:17Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• 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)
• 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)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• 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)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)
• 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)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)

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。