Fugu-MT 論文翻訳(概要): Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings

論文の概要: Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings

arxiv url: http://arxiv.org/abs/2409.12539v1
Date: Thu, 19 Sep 2024 07:56:06 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 14:30:28.470282
Title: Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings
Title（参考訳）: 知識蒸留強化拡散モデルによるコーンビームCT画像の品質向上
Authors: Joonil Hwang, Sangjoon Park, NaHyeon Park, Seungryong Cho, Jin Sung Kim,
Abstract要約: 毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
参考スコア（独自算出の注目度）: 6.157230849293829
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In radiation therapy (RT), the reliance on pre-treatment computed tomography (CT) images encounter challenges due to anatomical changes, necessitating adaptive planning. Daily cone-beam CT (CBCT) imaging, pivotal for therapy adjustment, falls short in tissue density accuracy. To address this, our innovative approach integrates diffusion models for CT image generation, offering precise control over data synthesis. Leveraging a self-training method with knowledge distillation, we maximize CBCT data during therapy, complemented by sparse paired fan-beam CTs. This strategy, incorporated into state-of-the-art diffusion-based models, surpasses conventional methods like Pix2pix and CycleGAN. A meticulously curated dataset of 2800 paired CBCT and CT scans, supplemented by 4200 CBCT scans, undergoes preprocessing and teacher model training, including the Brownian Bridge Diffusion Model (BBDM). Pseudo-label CT images are generated, resulting in a dataset combining 5600 CT images with corresponding CBCT images. Thorough evaluation using MSE, SSIM, PSNR and LPIPS demonstrates superior performance against Pix2pix and CycleGAN. Our approach shows promise in generating high-quality CT images from CBCT scans in RT.
Abstract（参考訳）: 放射線治療(RT)において,CT画像は解剖学的変化による課題に遭遇し,適応計画が必要である。毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。これを解決するために,CT画像生成のための拡散モデルを統合し,データ合成を正確に制御する。知識蒸留による自己学習法を応用し, 治療中のCBCTデータを最大化し, 疎対ファンビームCTで補足した。この戦略は最先端の拡散モデルに組み込まれており、Pix2pixやCycleGANといった従来の手法を超越している。 4200個のCBCTスキャンで補足された2800個のCBCTとCTスキャンの厳密にキュレートされたデータセットは、Brownian Bridge Diffusion Model (BBDM)を含む前処理と教師モデルのトレーニングを受けている。擬似ラベルCT画像が生成され、5600個のCT画像と対応するCBCT画像を組み合わせたデータセットが生成される。 MSE,SSIM,PSNR,LPIPSを用いた詳細な評価はPix2pixとCycleGANに対して優れた性能を示す。本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。

関連論文リスト

HC$^3$L-Diff: Hybrid conditional latent diffusion with high frequency enhancement for CBCT-to-CT synthesis [10.699377597641137]
本稿では,CBCT-to-CT合成のための新しい条件付き潜時拡散モデルを提案する。我々はUnified Feature (UFE) を用いて画像を低次元の潜在空間に圧縮する。本手法は, CBCT-to-CTの高精細合成を患者1人当たり2分以上で効率よく行うことができる。
論文参考訳（メタデータ） (2024-11-03T14:00:12Z)
SinoSynth: A Physics-based Domain Randomization Approach for Generalizable CBCT Image Enhancement [19.059201978992064]
Cone Beam Computed Tomography (CBCT) は医学に様々な応用がある。 CBCT画像のノイズやアーティファクトへの感受性は、その有用性と信頼性の両方を損なう。 Sino Synthは、様々なCBCT固有のアーティファクトをシミュレートし、多様なCBCT画像を生成する物理に基づく分解モデルである。
論文参考訳（メタデータ） (2024-09-27T00:22:02Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
A multi-channel cycleGAN for CBCT to CT synthesis [0.0]
画像合成は、on-treatment cone-beam CT(CBCTs)から合成CTを生成するために使用される本研究はCBCT-to-sCT合成という2つ目の課題に焦点をあてる。画像の特徴を強調するためにマルチチャネル入力を活用することで,CBCT画像に固有の課題を効果的に解決する。
論文参考訳（メタデータ） (2023-12-04T16:40:53Z)
Energy-Guided Diffusion Model for CBCT-to-CT Synthesis [8.888473799320593]
コーンビームCT(CBCT)は、臓器解剖が変化した場合の放射線治療を正確に行うことにより、適応放射線療法(ART)において重要な役割を担っている。 CBCT画像は散乱ノイズやアーティファクトに悩まされ、CBCTのみに依存して正確な線量計算と正確な組織局在を困難にしている。本稿では,エネルギー誘導拡散モデル(EGDiff)を提案し,胸部腫瘍データセットを用いてCBCTから合成CT(sCT)を生成する実験を行った。
論文参考訳（メタデータ） (2023-08-07T07:23:43Z)
Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文参考訳（メタデータ） (2023-07-02T11:09:08Z)
Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文参考訳（メタデータ） (2023-01-24T17:54:01Z)
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)
CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。実験の結果、CyTranは競合するすべての手法より優れています。
論文参考訳（メタデータ） (2021-10-12T23:25:03Z)
A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-01-14T01:39:19Z)
A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT Source Trajectories for Artifact Avoidance [47.345403652324514]
市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
論文参考訳（メタデータ） (2020-08-14T09:23:50Z)

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。