論文の概要: Deep Guess acceleration for explainable image reconstruction in sparse-view CT

• arxiv url: http://arxiv.org/abs/2412.01703v1
• Date: Mon, 02 Dec 2024 16:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:48:00.576617
• Title: Deep Guess acceleration for explainable image reconstruction in sparse-view CT
• Title（参考訳）: Sparse-view CTにおける説明可能な画像再構成のためのDeep GuessAcceleration
• Authors: Elena Loli Piccolomini, Davide Evangelista, Elena Morotti,
• Abstract要約: スパースビューCT(Sparse-view Computed)は、医療画像における放射線線量を減らすために設計された新しいプロトコルである。 従来のフィルタバックプロジェクションの復元は、スパースデータによる深刻なアーティファクトに悩まされている。 対照的に、モデルベース反復再建(MBIR)は、臨床的使用には計算コストがかかりすぎる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Sparse-view Computed Tomography (CT) is an emerging protocol designed to reduce X-ray dose radiation in medical imaging. Traditional Filtered Back Projection algorithm reconstructions suffer from severe artifacts due to sparse data. In contrast, Model-Based Iterative Reconstruction (MBIR) algorithms, though better at mitigating noise through regularization, are too computationally costly for clinical use. This paper introduces a novel technique, denoted as the Deep Guess acceleration scheme, using a trained neural network both to quicken the regularized MBIR and to enhance the reconstruction accuracy. We integrate state-of-the-art deep learning tools to initialize a clever starting guess for a proximal algorithm solving a non-convex model and thus computing an interpretable solution image in a few iterations. Experimental results on real CT images demonstrate the Deep Guess effectiveness in (very) sparse tomographic protocols, where it overcomes its mere variational counterpart and many data-driven approaches at the state of the art. We also consider a ground truth-free implementation and test the robustness of the proposed framework to noise.
• Abstract（参考訳）: スパースビューCT(Sparse-view Computed Tomography)は、医用画像におけるX線線量低減のための新しいプロトコルである。 従来のフィルタバックプロジェクションアルゴリズムは、スパースデータによる深刻なアーティファクトに悩まされている。 対照的に、モデルベース反復再構成(MBIR)アルゴリズムは、正規化によるノイズ軽減に優れているが、臨床的使用には計算コストがかかりすぎる。 本稿では,正規化MBIRの高速化と再構成精度の向上を目的として,トレーニングニューラルネットワークを用いたDeep GuessAcceleration schemeと呼ばれる新しい手法を提案する。 我々は最先端のディープラーニングツールを統合し、非凸モデルを解く近似アルゴリズムの巧妙な開始推定を初期化し、解釈可能な解像を数イテレーションで計算する。 実際のCT画像における実験結果から、(非常に)スパーストモグラフィープロトコルにおけるDeep Guessの有効性が示された。 また,提案フレームワークのノイズに対する堅牢性についても,基礎となる真理のない実装を検討し,検証する。

関連論文リスト

• AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
  CTは産業用非破壊検査や診断において重要な役割を担っている。 スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。 本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
  論文  参考訳（メタデータ） (2024-09-11T10:34:41Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• 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)
• Fast and accurate sparse-view CBCT reconstruction using meta-learned neural attenuation field and hash-encoding regularization [13.01191568245715]
  コーンビームCT(CBCT)は、患者の内部解剖学的構造を可視化する新しい医用イメージング技術である。 再構成画像の品質を維持しながらCBCTスキャンにおける投影回数を減らすことは困難である。 本研究では,高速かつ高精度な CBCT 再構成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T07:23:44Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction [13.358197688568463]
  撮像過程におけるヨウ素の放射線は 不可逆的な損傷を引き起こす スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。 textbfDual-textbfDomain textbfDuDoTransを提案する。
  論文  参考訳（メタデータ） (2021-11-21T10:41:07Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Interpolation of CT Projections by Exploiting Their Self-Similarity and Smoothness [6.891238879512674]
  提案アルゴリズムは, シングラムの自己相似性と滑らか性を利用する。 シミュレーションおよび実ctデータを用いた実験により,提案アルゴリズムを用いたシンノグラムにより,再構成画像の品質が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-03-05T22:41:25Z)
• Learned Spectral Computed Tomography [0.0]
  スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。 この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。 提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-09T13:39:12Z)

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。