論文の概要: Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT

• arxiv url: http://arxiv.org/abs/2412.05853v1
• Date: Sun, 08 Dec 2024 08:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:26.171285
• Title: Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT
• Title（参考訳）: 3次元X線CBCTにおけるリングアーチファクト低減のための教師なしマルチパラメータ逆解法
• Authors: Qing Wu, Hongjiang Wei, Jingyi Yu, Yuyao Zhang,
• Abstract要約: リングアーティファクトは、X線検出器の非理想的応答により、3DコーンビームCT(CBCT)で一般的である。 現在の最先端(SOTA)リングアーティファクトリダクション(RAR)アルゴリズムは、教師あり学習のための広範なペアCTサンプルに依存している。 マルチパラメータ逆問題として3次元CBCT RARを定式化した教師なしの textbfRiner を導入する。
• 参考スコア（独自算出の注目度）: 35.73129314731503
• License:
• Abstract: Ring artifacts are prevalent in 3D cone-beam computed tomography (CBCT) due to non-ideal responses of X-ray detectors, severely degrading imaging quality and reliability. Current state-of-the-art (SOTA) ring artifact reduction (RAR) algorithms rely on extensive paired CT samples for supervised learning. While effective, these methods do not fully capture the physical characteristics of ring artifacts, leading to pronounced performance drops when applied to out-of-domain data. Moreover, their applications to 3D CBCT are limited by high memory demands. In this work, we introduce \textbf{Riner}, an unsupervised method formulating 3D CBCT RAR as a multi-parameter inverse problem. Our core innovation is parameterizing the X-ray detector responses as solvable variables within a differential physical model. By jointly optimizing a neural field to represent artifact-free CT images and estimating response parameters directly from raw measurements, Riner eliminates the need for external training data. Moreover, it accommodates diverse CT geometries, enhancing practical usability. Empirical results on both simulated and real-world datasets show that Riner surpasses existing SOTA RAR methods in performance.
• Abstract（参考訳）: リングアーティファクトは3次元コーンビームCT(CBCT)において,X線検出器の非理想的応答,画像品質と信頼性が著しく低下している。 現在の最先端(SOTA)リングアーティファクトリダクション(RAR)アルゴリズムは、教師あり学習のための広範なペアCTサンプルに依存している。 有効ではあるが、これらの手法はリングアーティファクトの物理的特性を完全に捉えておらず、ドメイン外データに適用した場合のパフォーマンス低下が顕著になる。 さらに、3D CBCTへの応用は、高いメモリ要求によって制限される。 本研究では、3次元CBCT RARを多パラメータ逆問題として定式化した教師なしの手法である「textbf{Riner}」を紹介する。 我々の中心となる革新は、X線検出器応答を微分物理モデル内の可解変数としてパラメータ化することである。 アーティファクトのないCT画像を表現するためにニューラルネットワークを共同で最適化し、生の測定から直接応答パラメータを推定することで、Rinerは外部トレーニングデータの必要性を排除している。 さらに、多様なCT測地を扱えるようになり、実用的なユーザビリティが向上する。 シミュレーションと実世界の両方のデータセットの実証結果は、Rinerが既存のSOTA RARメソッドを上回っていることを示している。

関連論文リスト

• TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography [3.1209855614927275]
  従来の解析的・定性的なCT再構成アルゴリズムは数百の角データサンプリングを必要とする。 我々は,高品質な3Dボリュームを再構成するために,ユニークなX線輸送物理を取り入れた新しいTtomoGRAFフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-12T20:07:59Z)
• FCDM: Sparse-view Sinogram Inpainting with Frequency Domain Convolution Enhanced Diffusion Models [14.043383277622874]
  シングラムデータに適した新しい拡散型塗布フレームワークを提案する。 FCDMは既存の手法よりも優れており、SSIMが0.95以上、PSNRが30dB以上、SSIMが33%、PSNRが29%である。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Unsupervised Density Neural Representation for CT Metal Artifact Reduction [45.28053148579478]
  本稿では,スキャン対象が金属を含む場合のCT金属アーチファクトの問題に対処するために,教師なし密度神経表現(ダイナー)を提案する。 既存の金属人工物還元(MAR)技術は、主にエネルギー誘起BHEを無視したイメージインペイントタスクとしてMARを定式化している。 我々は,エネルギー依存型LACをエネルギー非依存密度とエネルギー依存型質量減衰係数(MAC)に分解し,X線吸収の物理モデルを完全に検討した。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• AligNeRF: High-Fidelity Neural Radiance Fields via Alignment-Aware Training [100.33713282611448]
  我々は、高分解能データによるNeRFのトレーニングに関する最初のパイロット研究を行う。 本稿では,多層パーセプトロンと畳み込み層との結合を含む,対応する解を提案する。 私たちのアプローチは、明らかなトレーニング/テストコストを導入することなく、ほぼ無償です。
  論文  参考訳（メタデータ） (2022-11-17T17:22:28Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Zero-Shot Learning of Continuous 3D Refractive Index Maps from Discrete Intensity-Only Measurements [5.425568744312016]
  我々は, RI体積の高次連続表現を, その強度のみおよび制限角の測定から直接学習できる最初のNF-based IDT法としてDeCAFを提案する。 我々は,DECAFが高コントラストかつ非アーティファクトなRIマップを生成できる3つの異なるIDTモダリティと複数の生物学的サンプルを示す。
  論文  参考訳（メタデータ） (2021-11-27T06:05:47Z)

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。