論文の概要: Unsupervised Low-dose CT Reconstruction with One-way Conditional Normalizing Flows

• arxiv url: http://arxiv.org/abs/2410.17543v1
• Date: Wed, 23 Oct 2024 03:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:55:03.789384
• Title: Unsupervised Low-dose CT Reconstruction with One-way Conditional Normalizing Flows
• Title（参考訳）: 片道条件正規化流を用いた低用量CT再構成
• Authors: Ran An, Ke Chen, Hongwei Li,
• Abstract要約: 本稿では,CNFsをベースとした非教師付きLDCT反復再構成アルゴリズムを提案する。 双対空間において交互最適化を行う際には厳密な片方向変換を用いる。 異なるデータセットに対する実験により、提案アルゴリズムの性能は、最先端の教師なしおよび教師なしの手法を超越する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 7.727981333251735
• License:
• Abstract: Deep-learning methods have shown promising performance for low-dose computed tomography (LDCT) reconstruction. However, supervised methods face the problem of lacking labeled data in clinical scenarios, and the CNN-based unsupervised denoising methods would cause excessive smoothing in the reconstructed image. Recently, the normalizing flows (NFs) based methods have shown advantages in producing detail-rich images and avoiding over-smoothing, however, there are still issues: (1) Although the alternating optimization in the data and latent space can well utilize the regularization and generation capabilities of NFs, the current two-way transformation strategy of noisy images and latent variables would cause detail loss and secondary artifacts; and (2) Training NFs on high-resolution CT images is hard due to huge computation. Though using conditional normalizing flows (CNFs) to learn conditional probability can reduce the computational burden, current methods require labeled data for conditionalization, and the unsupervised CNFs-based LDCT reconstruction remains a problem. To tackle these problems, we propose a novel CNFs-based unsupervised LDCT iterative reconstruction algorithm. It employs strict one-way transformation when performing alternating optimization in the dual spaces, thus effectively avoiding the problems of detail loss and secondary artifacts. By proposing a novel unsupervised conditionalization strategy, we train CNFs on high-resolution CT images, thus achieving fast and high-quality unsupervised reconstruction. Experiments on different datasets suggest that the performance of the proposed algorithm could surpass some state-of-the-art unsupervised and even supervised methods.
• Abstract（参考訳）: 深層学習法は低線量CT(LDCT)再建に有望な性能を示した。 しかし, 臨床シナリオにおいてラベル付きデータの欠如が問題視され, CNNをベースとした非教師なしデノナイジング法は再構成画像の過度な平滑化を引き起こす。 近年, 正規化フロー (NFs) に基づく手法は, ディテールリッチな画像の生成と過度なスムース化の回避にメリットがあるが, 1) データと潜時空間の交互最適化はNFの正規化と生成能力をうまく活用できるが, ノイズ画像と潜時変数の現在の双方向変換戦略は, ディテールロスと二次的アーティファクトを生じさせ, 2) 高分解能CT画像に対するNFの訓練は, 膨大な計算のために困難である。 条件付き正規化フロー(CNFs)を用いて条件付き確率を学習すると計算負担が軽減されるが、現在の手法では条件付きデータが必要であり、教師なしのCNFsベースのLDCT再構成は依然として問題である。 そこで本研究では,CNFsをベースとした非教師付きLDCT反復再構成アルゴリズムを提案する。 双対空間で交互に最適化を行う場合、厳密な片方向変換を採用するため、細部損失や二次アーティファクトの問題を効果的に回避できる。 新たな教師なし条件付化戦略を提案することにより,高解像度CT画像上でCNFを訓練し,高速かつ高品質な教師なし再構成を実現する。 異なるデータセットに対する実験により、提案アルゴリズムの性能は、最先端の教師なしおよび教師なしの手法を超越する可能性が示唆された。

関連論文リスト

• A Low-dose CT Reconstruction Network Based on TV-regularized OSEM Algorithm [10.204918070701211]
  低用量CT(LDCT)は人体に対する潜在的な害を軽減する上で大きな利点がある。 予測 (EM) アルゴリズムを用いることで, LDCT の再構成精度を向上させるために, 統計的先行値と人工先行値を組み合わせることができる。 本稿では,EMアルゴリズムのM'-stepにTV正規化を組み込むことにより,効果的かつ効率的な正規化を実現することを提案する。
  論文  参考訳（メタデータ） (2024-08-25T13:31:53Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
  本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。 潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。 これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
  論文  参考訳（メタデータ） (2024-03-14T12:58:28Z)
• 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)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• NF-ULA: Langevin Monte Carlo with Normalizing Flow Prior for Imaging Inverse Problems [7.38079566297881]
  我々は,NF-ULA (Normalizing Flow-based Unadjusted Langevin algorithm) を導入する。 NF-ULAは、深刻な逆問題に対して競合する手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-17T15:03:45Z)
• LRIP-Net: Low-Resolution Image Prior based Network for Limited-Angle CT Reconstruction [5.796842150589423]
  ダウンサンプル投影データ上に低分解能再構成問題を構築する。 再構成した低解像度画像を,元のリミテッドアングルCT問題に対する事前知識として利用する。
  論文  参考訳（メタデータ） (2022-07-30T13:03:20Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。