論文の概要: A Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction

• arxiv url: http://arxiv.org/abs/2412.16979v1
• Date: Sun, 22 Dec 2024 11:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:14.487952
• Title: A Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction
• Title（参考訳）: インピーダンストモグラフィ画像再構成のための条件拡散モデル
• Authors: Shuaikai Shi, Ruiyuan Kang, Panos Liatsis,
• Abstract要約: 電気インピーダンストモグラフィ(EIT)は、組織や材料の電気伝導度のイメージを再構成する非侵襲的イメージング技術である。 アンダーサンプル電圧データと高分解能伝導率画像とのミスマッチにより、EIT画像再構成が悪くなる。 CDEITと呼ばれるEIT再構成のための条件拡散モデルに基づく新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 3.2814751789071273
• License:
• Abstract: Electrical impedance tomography (EIT) is a non-invasive imaging technique, capable of reconstructing images of the electrical conductivity of tissues and materials. It is popular in diverse application areas, from medical imaging to industrial process monitoring and tactile sensing, due to its low cost, real-time capabilities and non-ionizing nature. EIT visualizes the conductivity distribution within a body by measuring the boundary voltages, given a current injection. However, EIT image reconstruction is ill-posed due to the mismatch between the under-sampled voltage data and the high-resolution conductivity image. A variety of approaches, both conventional and deep learning-based, have been proposed, capitalizing on the use of spatial regularizers, and the paradigm of image regression. In this research, a novel method based on the conditional diffusion model for EIT reconstruction is proposed, termed CDEIT. Specifically, CDEIT consists of the forward diffusion process, which first gradually adds Gaussian noise to the clean conductivity images, and a reverse denoising process, which learns to predict the original conductivity image from its noisy version, conditioned on the boundary voltages. Following model training, CDEIT applies the conditional reverse process on test voltage data to generate the desired conductivities. Moreover, we provide the details of a normalization procedure, which demonstrates how EIT image reconstruction models trained on simulated datasets can be applied on real datasets with varying sizes, excitation currents and background conductivities. Experiments conducted on a synthetic dataset and two real datasets demonstrate that the proposed model outperforms state-of-the-art methods. The CDEIT software is available as open-source (https://github.com/shuaikaishi/CDEIT) for reproducibility purposes.
• Abstract（参考訳）: 電気インピーダンストモグラフィ(EIT)は、組織や材料の電気伝導度のイメージを再構成する非侵襲的イメージング技術である。 医療画像から産業プロセスの監視、触覚センシングに至るまで、低コスト、リアルタイム能力、非電離性など様々な応用分野で人気がある。 EITは、電流注入が与えられたときの境界電圧を測定することで、体内の伝導率分布を可視化する。 しかし、アンダーサンプル電圧データと高分解能伝導率画像とのミスマッチにより、EIT画像再構成が悪くなる。 空間正規化器の活用と画像回帰のパラダイムを活かした,従来型および深層学習に基づく様々なアプローチが提案されている。 本研究では,EIT再建のための条件拡散モデルに基づく新しい手法をCDEITと呼ぶ。 具体的には、CDEITは、まず、クリーン導電率画像にガウスノイズを徐々に付加する前方拡散過程と、境界電圧を条件に、元の導電率画像をノイズバージョンから予測することを学ぶ逆復調過程とから構成される。 モデルトレーニングの後、CDEITは所望の導電率を生成するために条件逆過程をテスト電圧データに適用する。 さらに、シミュレーションデータセットでトレーニングされたEIT画像再構成モデルを、サイズ、励起電流、背景伝導率の異なる実データセットに適用する方法を示す正規化手順の詳細を示す。 合成データセットと2つの実データセットで実施された実験により、提案モデルが最先端の手法より優れていることが示された。 CDEITソフトウェアは再現性のためにオープンソース(https://github.com/shuaikaishi/CDEIT)として利用可能である。

関連論文リスト

• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
  電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。 EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。 拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
  論文  参考訳（メタデータ） (2024-09-06T14:21:23Z)
• One-step Generative Diffusion for Realistic Extreme Image Rescaling [47.89362819768323]
  極端画像再スケーリングのためのワンステップイメージ再スケーリング拡散(OSIRDiff)と呼ばれる新しいフレームワークを提案する。 OSIRDiffは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を実行する。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Dual-Domain Deep D-bar Method for Solving Electrical Impedance Tomography [5.112764609048122]
  正則化Dバー法は電気インピーダンストモグラフィー(EIT)問題を解く最も顕著な方法の1つである。 Dバー画像は、しばしば正確な高周波情報がないため、コントラストが低く、解像度が低い。 低コントラストDバー画像から高コントラストDバー画像列を検索するためのデュアルドメインニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-12T21:55:02Z)
• Image Inpainting via Tractable Steering of Diffusion Models [48.16994134964729]
  本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。 具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。
  論文  参考訳（メタデータ） (2023-11-28T21:14:02Z)
• Electrical Impedance Tomography with Deep Calder\'on Method [4.228167013618626]
  電気インピーダンストモグラフィ(EIT)は、被検体表面の電流密度/電圧データを利用した非侵襲的医療画像モダリティである。 Calder'on の手法は比較的最近の EIT イメージングアルゴリズムであり、非定常的で高速で、複雑な値の電気インピーダンスを再構成することができる。 本研究では,深い畳み込みニューラルネットワーク(すなわちU-net)を効果的に標的とした後処理ステップとして用いたCalder'on法の改良版を開発する。
  論文  参考訳（メタデータ） (2023-04-18T15:47:15Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle CT Reconstruction [42.028139152832466]
  Limited-Angle Computed Tomography (LACT) は、セキュリティから医療まで様々な用途で使用される非破壊的評価技術である。 DOLCEは、条件付き拡散モデルを画像として用いた、LACTのための新しいディープモデルベースのフレームワークである。
  論文  参考訳（メタデータ） (2022-11-22T15:30:38Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。