論文の概要: End-to-End Deep Learning for Interior Tomography with Low-Dose X-ray CT

• arxiv url: http://arxiv.org/abs/2501.05085v1
• Date: Thu, 09 Jan 2025 09:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:59:44.696036
• Title: End-to-End Deep Learning for Interior Tomography with Low-Dose X-ray CT
• Title（参考訳）: 低線量X線CTを用いた内断層撮影のためのエンド・ツー・エンド深層学習
• Authors: Yoseob Han, Dufan Wu, Kyungsang Kim, Quanzheng Li,
• Abstract要約: 画像ドメイン畳み込みニューラルネットワーク(CNN)は、深層畳み込みフレームレットに基づいて、結合したアーティファクトの解決が困難であることがわかった。 両ドメインCNNを用いたエンドツーエンド学習を提案する。
• 参考スコア（独自算出の注目度）: 9.011662927141378
• License:
• Abstract: Objective: There exist several X-ray computed tomography (CT) scanning strategies to reduce a radiation dose, such as (1) sparse-view CT, (2) low-dose CT, and (3) region-of-interest (ROI) CT (called interior tomography). To further reduce the dose, the sparse-view and/or low-dose CT settings can be applied together with interior tomography. Interior tomography has various advantages in terms of reducing the number of detectors and decreasing the X-ray radiation dose. However, a large patient or small field-of-view (FOV) detector can cause truncated projections, and then the reconstructed images suffer from severe cupping artifacts. In addition, although the low-dose CT can reduce the radiation exposure dose, analytic reconstruction algorithms produce image noise. Recently, many researchers have utilized image-domain deep learning (DL) approaches to remove each artifact and demonstrated impressive performances, and the theory of deep convolutional framelets supports the reason for the performance improvement. Approach: In this paper, we found that the image-domain convolutional neural network (CNN) is difficult to solve coupled artifacts, based on deep convolutional framelets. Significance: To address the coupled problem, we decouple it into two sub-problems: (i) image domain noise reduction inside truncated projection to solve low-dose CT problem and (ii) extrapolation of projection outside truncated projection to solve the ROI CT problem. The decoupled sub-problems are solved directly with a novel proposed end-to-end learning using dual-domain CNNs. Main results: We demonstrate that the proposed method outperforms the conventional image-domain deep learning methods, and a projection-domain CNN shows better performance than the image-domain CNNs which are commonly used by many researchers.
• Abstract（参考訳）: 目的:(1)低線量CT,(2)低線量CT,(3)関心領域(ROI)CT(インテリアトモグラフィ)など,放射線線量を減らすためのX線CT(CT)スキャン戦略がいくつか存在する。 さらに線量を減らすために、スパルスビューおよび/または低線量CT設定をインテリアトモグラフィと共に適用することができる。 内部トモグラフィーは検出器の数を減らし、放射線線量を減らすという点で様々な利点がある。 しかし、大きな患者または小さな視野検出装置(FOV)は、切り離された投射を生じさせ、再建された画像は、深刻なカップングアーティファクトに悩まされる。 また、低線量CTは放射線照射量を減らすことができるが、解析的再構成アルゴリズムは画像ノイズを発生させる。 近年,画像領域の深層学習(DL)手法を用いて各アーチファクトを除去し,優れた性能を示し,深層畳み込みフレームレットの理論が性能改善の理由を裏付けている。 アプローチ: 画像ドメイン畳み込みニューラルネットワーク(CNN)は, 深層畳み込みフレームレットに基づいて, 結合したアーティファクトを解くのが困難であることがわかった。 意義: 結合した問題に対処するために、我々はそれを2つのサブプロブレムに分離する。 (i)低線量CT問題の解決を目的とした切り欠きプロジェクション内の画像領域雑音低減 (II) ROICTの問題を解決するため, 切り欠きプロジェクション外部のプロジェクションの補間を行った。 分離されたサブプロブレムは、デュアルドメインCNNを用いた新しいエンドツーエンド学習によって直接解決される。 主な結果:提案手法は従来の画像領域深層学習法よりも優れており,多くの研究者がよく使用している画像領域CNNよりもプロジェクション領域CNNの方が優れた性能を示した。

関連論文リスト

• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Dual-Domain Coarse-to-Fine Progressive Estimation Network for Simultaneous Denoising, Limited-View Reconstruction, and Attenuation Correction of Cardiac SPECT [16.75701769113328]
  SPECT(Single-Photon Emission Computed Tomography)は冠動脈疾患の診断に広く応用されている。 低線量(LD)SPECTは、放射線被曝を最小化するが、画像ノイズの増加につながる。最新のGEmyoSPECT ESシステムのような限定ビュー(LV)SPECTは、ハードウェアコストの高速化と削減を可能にするが、再構成精度は低下する。
  論文  参考訳（メタデータ） (2024-01-23T23:28:15Z)
• 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)
• Low-Dose CT Image Enhancement Using Deep Learning [0.0]
  電離放射線の少ない線量、特にCT(Computerd tomography)イメージングシステムでの使用が好ましい。 CT画像における放射線線量削減の一般的な方法は、クォータードーズ法として知られている。 近年のディープラーニングアプローチは、低用量アーティファクトのイメージ強化に興味深い可能性をもたらしている。
  論文  参考訳（メタデータ） (2023-10-31T08:34:33Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields [71.84366290195487]
  神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。 提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T14:51:14Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Deep-Learning Driven Noise Reduction for Reduced Flux Computed Tomography [0.0]
  深層畳み込みニューラルネットワーク(dcnn)は、低品質、低用量、高用量、高用量の画像にマッピングするために使用できる。 トレーニング時間を増やすことなく、マイクロCTによるデータセットに基づく現在の結果を強調表示し、DCNN結果を改善するためのトランスファーラーニングを適用します。
  論文  参考訳（メタデータ） (2021-01-18T23:31:37Z)
• Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose CT Denoising [0.0]
  低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。 平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。 提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
  論文  参考訳（メタデータ） (2020-06-26T00:35:26Z)

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。