論文の概要: Reducing CT Metal Artifacts by Learning Latent Space Alignment with Gemstone Spectral Imaging Data
- arxiv url: http://arxiv.org/abs/2503.21259v1
- Date: Thu, 27 Mar 2025 08:35:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:52:38.936827
- Title: Reducing CT Metal Artifacts by Learning Latent Space Alignment with Gemstone Spectral Imaging Data
- Title（参考訳）: Gemstone Spectral Imaging Dataによる潜時空間アライメント学習によるCT金属アーチファクトの低減
- Authors: Wencheng Han, Dongqian Guo, Xiao Chen, Pang Lyu, Yi Jin, Jianbing Shen,
- Abstract要約: CTスライス中の金属人工物は、長い間医学的診断において課題を提起してきた。
本稿では,Latent Gemstone Spectral Imaging (GSI) Alignment Frameworkを紹介する。
我々の研究は、アーティファクトに影響を及ぼした普通のCTシーケンスでさえ、詳細な構造を特定するのに十分な情報を含んでいるという重要な発見に基づいている。
- 参考スコア（独自算出の注目度）: 45.94938820436709
- License:
- Abstract: Metal artifacts in CT slices have long posed challenges in medical diagnostics. These artifacts degrade image quality, resulting in suboptimal visualization and complicating the accurate interpretation of tissues adjacent to metal implants. To address these issues, we introduce the Latent Gemstone Spectral Imaging (GSI) Alignment Framework, which effectively reduces metal artifacts while avoiding the introduction of noise information. Our work is based on a key finding that even artifact-affected ordinary CT sequences contain sufficient information to discern detailed structures. The challenge lies in the inability to clearly represent this information. To address this issue, we developed an Alignment Framework that adjusts the representation of ordinary CT images to match GSI CT sequences. GSI is an advanced imaging technique using multiple energy levels to mitigate artifacts caused by metal implants. By aligning the representation to GSI data, we can effectively suppress metal artifacts while clearly revealing detailed structure, without introducing extraneous information into CT sequences. To facilitate the application, we propose a new dataset, Artifacts-GSI, captured from real patients with metal implants, and establish a new benchmark based on this dataset. Experimental results show that our method significantly reduces metal artifacts and greatly enhances the readability of CT slices. All our code and data are available at: https://um-lab.github.io/GSI-MAR/
- Abstract（参考訳）: CTスライス中の金属人工物は、長い間医学的診断において課題を提起してきた。
これらのアーティファクトは画像の質を低下させ、金属インプラントに隣接した組織の正確な解釈を至適に可視化し、複雑化する。
これらの問題に対処するため,我々は,騒音情報の導入を回避しつつ,金属加工物を効果的に削減する潜在ゲムストーン分光イメージング(GSI)アライメントフレームワークを導入する。
我々の研究は、アーティファクトに影響を及ぼした普通のCTシーケンスでさえ、詳細な構造を特定するのに十分な情報を含んでいるという重要な発見に基づいている。
課題は、この情報を明確に表現できないことだ。
この問題に対処するため,通常のCT画像の表現をGSICTシーケンスに合わせるように調整するアライメントフレームワークを開発した。
GSIは、金属インプラントによる人工物を軽減するために、複数のエネルギーレベルを用いた高度なイメージング技術である。
この表現をGSIデータに整合させることにより,CTシークエンスに外部情報を導入することなく,詳細な構造を明確化しつつ,金属アーチファクトを効果的に抑制することができる。
応用を容易にするため,金属インプラントの実際の患者から得られた新しいデータセットArtifacts-GSIを提案し,このデータセットに基づいた新しいベンチマークを構築した。
実験の結果,本手法は金属加工品を著しく減らし,CTスライスの可読性を大幅に向上させることがわかった。
すべてのコードとデータは、https://um-lab.github.io/GSI-MAR/で利用可能です。
関連論文リスト
- Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳（メタデータ） (2023-11-16T06:02:03Z) - Dense Transformer based Enhanced Coding Network for Unsupervised Metal
Artifact Reduction [27.800525536048944]
本稿では,非教師付き金属アーティファクト削減のための新しいDense Transformer based Enhanced Coding Network (DTEC-Net)を提案する。
具体的には,高次密度プロセスに支えられた階層型ディペンタングと,高次エンコードされたシーケンスを得るトランスフォーマーを導入する。
DTEC-Netの有効性は、ベンチマークデータセットにおける従来の最先端メソッドよりも優れている。
論文 参考訳（メタデータ） (2023-07-24T11:58:58Z) - Unsupervised Polychromatic Neural Representation for CT Metal Artifact
Reduction [48.1445005916672]
人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。
私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2023-06-27T04:50:58Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Metal artifact correction in cone beam computed tomography using
synthetic X-ray data [0.0]
解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。
1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。
比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
論文 参考訳（メタデータ） (2022-08-17T13:31:38Z) - Metal Artifact Reduction in 2D CT Images with Self-supervised
Cross-domain Learning [30.977044473457]
金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。
我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。
次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
論文 参考訳（メタデータ） (2021-09-28T04:40:57Z) - Deep Sinogram Completion with Image Prior for Metal Artifact Reduction
in CT Images [29.019325663195627]
CTは, 診断, 評価, 治療計画, 指導に広く用いられている。
CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。
本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-16T04:43:35Z) - Encoding Metal Mask Projection for Metal Artifact Reduction in Computed
Tomography [21.5885187197634]
CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。
そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。
我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
論文 参考訳（メタデータ） (2020-01-02T06:39:06Z)
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。