論文の概要: DRACO: Differentiable Reconstruction for Arbitrary CBCT Orbits

• arxiv url: http://arxiv.org/abs/2410.14900v1
• Date: Fri, 18 Oct 2024 22:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:18:56.089482
• Title: DRACO: Differentiable Reconstruction for Arbitrary CBCT Orbits
• Title（参考訳）: DRACO: Arbitrary CBCT 軌道の微分可能再構成
• Authors: Chengze Ye, Linda-Sophie Schneider, Yipeng Sun, Mareike Thies, Siyuan Mei, Andreas Maier,
• Abstract要約: 本稿では,円錐線CT(CBCT)画像を任意の軌道に再構成する新しい手法を提案する。 提案手法では, 任意の軌道に最適化されたシフト可変FBPアルゴリズムをディープラーニング手法により適用した。 提案手法は、特にロボットC-アームCTシステムにおいて、介入医療画像の大幅な進歩である。
• 参考スコア（独自算出の注目度）: 3.331348121758607
• License:
• Abstract: This paper introduces a novel method for reconstructing cone beam computed tomography (CBCT) images for arbitrary orbits using a differentiable shift-variant filtered backprojection (FBP) neural network. Traditional CBCT reconstruction methods for arbitrary orbits, like iterative reconstruction algorithms, are computationally expensive and memory-intensive. The proposed method addresses these challenges by employing a shift-variant FBP algorithm optimized for arbitrary trajectories through a deep learning approach that adapts to a specific orbit geometry. This approach overcomes the limitations of existing techniques by integrating known operators into the learning model, minimizing the number of parameters, and improving the interpretability of the model. The proposed method is a significant advancement in interventional medical imaging, particularly for robotic C-arm CT systems, enabling faster and more accurate CBCT reconstructions with customized orbits. Especially this method can also be used for the analytical reconstruction of non-continuous orbits like circular plus arc. The experimental results demonstrate that the proposed method significantly accelerates the reconstruction process compared to conventional iterative algorithms. It achieves comparable or superior image quality, as evidenced by metrics such as the mean squared error (MSE), the peak signal-to-noise ratio (PSNR), and the structural similarity index measure (SSIM). The validation experiments show that the method can handle data from different trajectories, demonstrating its flexibility and robustness across different scan geometries. Our method demonstrates a significant improvement, particularly for the sinusoidal trajectory, achieving a 38.6% reduction in MSE, a 7.7% increase in PSNR, and a 5.0% improvement in SSIM. Furthermore, the computation time for reconstruction was reduced by more than 97%.
• Abstract（参考訳）: 本稿では、可変シフト可変フィルタバックプロジェクション(FBP)ニューラルネットワークを用いて、任意の軌道上でのコーンビーム計算トモグラフィ(CBCT)画像の再構成手法を提案する。 任意の軌道に対する従来のCBCT再構成法は、反復再構成アルゴリズムのように計算コストが高く、メモリ集約的である。 提案手法は, 任意の軌道に最適化されたシフト可変FBPアルゴリズムを用いて, 特定の軌道形状に適応する深層学習手法により, これらの課題に対処する。 このアプローチは、既知の演算子を学習モデルに統合し、パラメータの数を最小化し、モデルの解釈可能性を改善することによって、既存のテクニックの限界を克服する。 提案手法は、特にロボットC-アームCTシステムにおいて、介入医療画像の大幅な進歩であり、カスタマイズされた軌道でより高速で正確なCBCT再構成を可能にする。 特にこの方法は、円+円弧のような非連続軌道の分析的再構成にも利用できる。 実験の結果,提案手法は従来の反復アルゴリズムと比較して,再構成過程を著しく高速化することがわかった。 平均二乗誤差(MSE)、ピーク信号対雑音比(PSNR)、構造類似度指数測定(SSIM)などの指標によって証明されているように、画像品質は同等か優れている。 検証実験により、異なる軌跡からのデータを扱うことができ、異なる走査測地にわたってその柔軟性と堅牢性を示す。 提案法は, 特に正弦波軌道において, MSEが38.6%減少し, PSNRが7.7%増加し, SSIMが5.0%改善した。 さらに,再建に要する計算時間を97%以上削減した。

関連論文リスト

• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Deep Learning Computed Tomography based on the Defrise and Clack Algorithm [4.137125610532773]
  本研究では、既知の演算子学習を用いて、特定の軌道に対するコーンビーム計算トモグラフィー(CBCT)を再構成する新しい手法を提案する。 従来の手法とは異なり、この手法では独自の適応フィルタリングプロセスを統合するフィルタバックプロジェクション型(FBP型)アルゴリズムを採用している。 このフィルタは、特定の軌道幾何学のために設計され、深層学習に基づくデータ駆動型アプローチを用いて得られる。
  論文  参考訳（メタデータ） (2024-03-01T10:24:04Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction [7.04200827802994]
  ファンビームCT再構成の微分定式化は、取得幾何に拡張される。 概念実証実験として、このアイデアは剛性運動補償に適用される。 アルゴリズムはMSEを35.5%削減し、SSIMを12.6%改善する。
  論文  参考訳（メタデータ） (2022-12-05T11:18:52Z)
• Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density [15.143939192429018]
  本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。 ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。 限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2022-09-27T09:10:57Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Deep Manifold Learning for Dynamic MR Imaging [30.70648993986445]
  本研究では, 非線形多様体上での深層学習法を開発し, 動的信号の時間的冗長性を探究し, 心臓MRIデータを再構成する。 提案手法は, 圧縮センシング(CS)法と, 最先端の深層学習法であるDC-CNNとCRNNと比較して, 改良された再構成が得られる。
  論文  参考訳（メタデータ） (2021-03-09T02:18:08Z)
• Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
  深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。 本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
  論文  参考訳（メタデータ） (2020-12-07T09:27:16Z)
• Variance Reduction for Deep Q-Learning using Stochastic Recursive Gradient [51.880464915253924]
  深層Q-ラーニングアルゴリズムは、過度な分散を伴う勾配推定に苦しむことが多い。 本稿では、SRG-DQNと呼ばれる新しいアルゴリズムを実現するため、深層Q-ラーニングにおける勾配推定を更新するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-25T00:54:20Z)
• Semi-Implicit Back Propagation [1.5533842336139065]
  ニューラルネットワークトレーニングのための半単純バック伝搬法を提案する。 ニューロンの差は後方方向に伝播し、パラメータは近位写像で更新される。 MNISTとCIFAR-10の両方の実験により、提案アルゴリズムは損失減少とトレーニング/検証の精度の両方において、より良い性能をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-10T03:26:09Z)

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。