論文の概要: Physics-informed 4D X-ray image reconstruction from ultra-sparse spatiotemporal data

• arxiv url: http://arxiv.org/abs/2504.03469v1
• Date: Fri, 04 Apr 2025 14:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:47:21.624255
• Title: Physics-informed 4D X-ray image reconstruction from ultra-sparse spatiotemporal data
• Title（参考訳）: 超スパース時空間データを用いた物理インフォームド4次元X線画像再構成
• Authors: Zisheng Yao, Yuhe Zhang, Zhe Hu, Robert Klöfkorn, Tobias Ritschel, Pablo Villanueva-Perez,
• Abstract要約: 本研究では, 物理モデルと最先端のDL-based reconstruction法を組み合わせた物理インフォームド4次元X線画像再構成法を提案する。
• 参考スコア（独自算出の注目度）: 12.816525047147946
• License:
• Abstract: The unprecedented X-ray flux density provided by modern X-ray sources offers new spatiotemporal possibilities for X-ray imaging of fast dynamic processes. Approaches to exploit such possibilities often result in either i) a limited number of projections or spatial information due to limited scanning speed, as in time-resolved tomography, or ii) a limited number of time points, as in stroboscopic imaging, making the reconstruction problem ill-posed and unlikely to be solved by classical reconstruction approaches. 4D reconstruction from such data requires sample priors, which can be included via deep learning (DL). State-of-the-art 4D reconstruction methods for X-ray imaging combine the power of AI and the physics of X-ray propagation to tackle the challenge of sparse views. However, most approaches do not constrain the physics of the studied process, i.e., a full physical model. Here we present 4D physics-informed optimized neural implicit X-ray imaging (4D-PIONIX), a novel physics-informed 4D X-ray image reconstruction method combining the full physical model and a state-of-the-art DL-based reconstruction method for 4D X-ray imaging from sparse views. We demonstrate and evaluate the potential of our approach by retrieving 4D information from ultra-sparse spatiotemporal acquisitions of simulated binary droplet collisions, a relevant fluid dynamic process. We envision that this work will open new spatiotemporal possibilities for various 4D X-ray imaging modalities, such as time-resolved X-ray tomography and more novel sparse acquisition approaches like X-ray multi-projection imaging, which will pave the way for investigations of various rapid 4D dynamics, such as fluid dynamics and composite testing.
• Abstract（参考訳）: 現代のX線源によって提供される前例のないX線フラックス密度は、高速な動的過程のX線イメージングに新たな時空間的可能性をもたらす。 そのような可能性を利用するアプローチは、しばしばどちらの場合も生じる。 一 時間分解断層撮影等において、走査速度の制限による投影数又は空間情報の制限 二 ストロボスコープ撮影のような限られた時間点で、再建問題を悪用し、古典的な再建方法により解決しそうにないもの このようなデータから4D再構成を行うには,深層学習(DL)を介するサンプル事前処理が必要である。 X線画像の最先端4D再構成手法は、AIのパワーとX線伝搬の物理を組み合わせて、スパースビューの課題に取り組む。 しかし、ほとんどのアプローチは研究過程の物理、すなわち完全な物理モデルに制約を与えない。 本稿では,4次元物理インフォームド最適化ニューラル暗黙X線画像(4D-PIONIX)について述べる。この物理インフォームド4DX線画像再構成法は,フル物理モデルと,スパースビューからの4次元X線画像の最先端のDLベース再構成法を組み合わせたものである。 シミュレーションされた二滴衝突の超スパース時空間抽出から4D情報を取得することで,本手法の有効性を実証し,評価した。 本研究は、時間分解X線トモグラフィーや、X線多射影イメージングのようなより新しいスパース取得アプローチなど、様々な4次元X線画像の時空間的可能性の新たな開放を期待する。

関連論文リスト

• 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
  既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。 高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。 4DRGSは5分間のトレーニングで印象的な結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T13:51:56Z)
• 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)
• Diffusion4D: Fast Spatial-temporal Consistent 4D Generation via Video Diffusion Models [116.31344506738816]
  高速でスケーラブルな4Dコンテンツ生成のための新しいフレームワーク textbfDiffusion4D を提案する。 ダイナミックな3Dアセットの軌道ビューを合成できる4D対応ビデオ拡散モデルを開発した。 提案手法は, 生成効率と4次元幾何整合性の観点から, 従来の最先端技術を超えている。
  論文  参考訳（メタデータ） (2024-05-26T17:47:34Z)
• CPT-Interp: Continuous sPatial and Temporal Motion Modeling for 4D Medical Image Interpolation [22.886841531680567]
  4D医療画像からの運動情報は、臨床評価と放射線治療計画のための患者解剖学の動的変化に関する重要な洞察を提供する。 しかし、画像ハードウェアの物理的および技術的な制約は、時間分解能と画質の妥協を必要とすることが多い。 暗黙的神経表現を用いた患者解剖運動を連続的にモデル化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T09:35:42Z)
• Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with Implicit Neural Representation [3.8215162658168524]
  Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。 本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。 我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
  論文  参考訳（メタデータ） (2023-03-21T18:17:27Z)
• X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
  膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。 これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
  論文  参考訳（メタデータ） (2023-03-02T00:52:41Z)
• Diffusion Deformable Model for 4D Temporal Medical Image Generation [47.03842361418344]
  3D+t(4D)情報を持つ時間体積画像は、時間動態を統計的に分析したり、病気の進行を捉えるためにしばしば医療画像に使用される。 本稿では,ソースボリュームとターゲットボリュームの中間時間ボリュームを生成する新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-06-27T13:37:57Z)
• MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware CT-Projections from a Single X-ray [14.10611608681131]
  過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。 本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-02T13:25:23Z)
• Deep learning with 4D spatio-temporal data representations for OCT-based force estimation [59.405210617831656]
  深層学習に基づく力推定の問題を,3D OCTボリュームのストリームを用いた4次元体積時間データに拡張する。 平均絶対誤差は10.7mNで, 4Dterm-temporalデータを用いた場合, 従来使用されていたデータ表現よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-20T13:30:36Z)
• Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT Image Data [63.73263986460191]
  特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。 OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。 モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
  論文  参考訳（メタデータ） (2020-04-21T15:43:01Z)

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。