論文の概要: Data-Efficient Limited-Angle CT Using Deep Priors and Regularization

• arxiv url: http://arxiv.org/abs/2502.12293v1
• Date: Mon, 17 Feb 2025 20:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:07:17.860719
• Title: Data-Efficient Limited-Angle CT Using Deep Priors and Regularization
• Title（参考訳）: 深部優先法と正則化を用いたデータ効率の良いリミテッドアングルCT
• Authors: Ilmari Vahteristo, Zhi-Song Liu, Andreas Rupp,
• Abstract要約: 本稿では,Randon変換から元の画像を高度に角度の制限下で再構成する,非常に低データな手法を提案する。 逆問題として,Total Variation, sinogram filter, Deep Image Prior, パッチレベルのオートエンコーダなど,複数の正規化手法を組み合わせる。 本手法はヘルシンキ・トモグラフィー・チャレンジ2022(Helsinki Tomography Challenge 2022)のデータセットを用いて評価され,その目的は2値円盤をその限定角度のシングラムから再構成することである。
• 参考スコア（独自算出の注目度）: 6.84242299603086
• License:
• Abstract: Reconstructing an image from its Radon transform is a fundamental computed tomography (CT) task arising in applications such as X-ray scans. In many practical scenarios, a full 180-degree scan is not feasible, or there is a desire to reduce radiation exposure. In these limited-angle settings, the problem becomes ill-posed, and methods designed for full-view data often leave significant artifacts. We propose a very low-data approach to reconstruct the original image from its Radon transform under severe angle limitations. Because the inverse problem is ill-posed, we combine multiple regularization methods, including Total Variation, a sinogram filter, Deep Image Prior, and a patch-level autoencoder. We use a differentiable implementation of the Radon transform, which allows us to use gradient-based techniques to solve the inverse problem. Our method is evaluated on a dataset from the Helsinki Tomography Challenge 2022, where the goal is to reconstruct a binary disk from its limited-angle sinogram. We only use a total of 12 data points--eight for learning a prior and four for hyperparameter selection--and achieve results comparable to the best synthetic data-driven approaches.
• Abstract（参考訳）: Radon変換からイメージを再構成することは、X線スキャンなどのアプリケーションで発生する基本的なCT(Computered tomography)タスクである。 多くの現実的なシナリオでは、フル180度スキャンは実現不可能である。 これらの制限された角度設定では、問題が発生し、フルビューデータ用に設計されたメソッドは、しばしば重要なアーティファクトを残します。 本稿では,Randon変換から元の画像を高度に角度の制限下で再構成する,非常に低データな手法を提案する。 逆問題として,Total Variation, sinogram filter, Deep Image Prior, パッチレベルのオートエンコーダなど,複数の正規化手法を組み合わせる。 我々はラドン変換の微分可能な実装を用いて、逆問題の解法として勾配に基づく手法を使うことができる。 本手法はヘルシンキ・トモグラフィー・チャレンジ2022(Helsinki Tomography Challenge 2022)のデータセットを用いて評価され,その目的は2値円盤をその限定角度のシングラムから再構成することである。 私たちは合計12点のデータポイントのみを使用します - 事前学習には8点,ハイパーパラメータ選択には4点,そして最高の合成データ駆動アプローチに匹敵する結果を達成しています。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• 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)
• Learning end-to-end inversion of circular Radon transforms in the partial radial setup [0.0]
  光音響トモグラフィーで発生する部分放射能セットアップにおける円形ラドン変換の逆変換のための深層学習アルゴリズムを提案する。 まず、この問題を解決するのに唯一の伝統的なアルゴリズムである、切り詰められた特異値分解に基づく手法が、再構成されたフィールドを使用不能とみなす深刻なアーティファクトを生み出すことを実証した。 この計算ボトルネックを克服する目的で、ResBlockベースのU-Netをトレーニングし、測定データ上で直接動作する推論されたフィールドを復元する。
  論文  参考訳（メタデータ） (2023-08-27T15:57:08Z)
• Dataset Distillation with Convexified Implicit Gradients [69.16247946639233]
  メタ段階更新の計算に暗黙の勾配を効果的に利用できるかを示す。 さらに,凍結した有限幅ニューラルネットワーク上での学習に対応する凸近似をアルゴリズムに装備する。
  論文  参考訳（メタデータ） (2023-02-13T23:53:16Z)
• Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text Images [3.441021278275805]
  本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。 我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
  論文  参考訳（メタデータ） (2022-11-18T09:06:56Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• 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 Learning Adapted Acceleration for Limited-view Photoacoustic Computed Tomography [1.8830359888767887]
  光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。 限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。 数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
  論文  参考訳（メタデータ） (2021-11-08T02:05:58Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• 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)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。