論文の概要: Virtual-mask Informed Prior for Sparse-view Dual-Energy CT Reconstruction

• arxiv url: http://arxiv.org/abs/2504.07753v1
• Date: Thu, 10 Apr 2025 13:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:24:43.541376
• Title: Virtual-mask Informed Prior for Sparse-view Dual-Energy CT Reconstruction
• Title（参考訳）: Sparse-view Dual-Energy CT 再建のための仮想マスクインフォームドプリフォーム
• Authors: Zini Chen, Yao Xiao, Junyan Zhang, Shaoyu Wang, Liu Shi, Qiegen Liu,
• Abstract要約: 摂動のチャネル間の高い相関を利用してスパースビュー再構成のための二重領域仮想マスクインフォーム拡散モデルを提案する。 実験結果から,本手法は複数のデータセットにまたがって優れた性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 9.118267161536087
• License:
• Abstract: Sparse-view sampling in dual-energy computed tomography (DECT) significantly reduces radiation dose and increases imaging speed, yet is highly prone to artifacts. Although diffusion models have demonstrated potential in effectively handling incomplete data, most existing methods in this field focus on the image do-main and lack global constraints, which consequently leads to insufficient reconstruction quality. In this study, we propose a dual-domain virtual-mask in-formed diffusion model for sparse-view reconstruction by leveraging the high inter-channel correlation in DECT. Specifically, the study designs a virtual mask and applies it to the high-energy and low-energy data to perform perturbation operations, thus constructing high-dimensional tensors that serve as the prior information of the diffusion model. In addition, a dual-domain collaboration strategy is adopted to integrate the information of the randomly selected high-frequency components in the wavelet domain with the information in the projection domain, for the purpose of optimizing the global struc-tures and local details. Experimental results indicated that the present method exhibits excellent performance across multiple datasets.
• Abstract（参考訳）: DECT(Dual-Energy Computed Tomography)におけるスパースビューサンプリングは放射線線量を大幅に削減し、撮像速度を向上するが、アーティファクトは高い傾向にある。 拡散モデルは、不完全データを効果的に扱う可能性を示しているが、この分野の既存の手法のほとんどは、画像のドメインに焦点を合わせ、大域的な制約を欠いているため、結果として再構築の質は不十分である。 本研究では、DECTにおける高いチャネル間相関を利用して、スパースビュー再構成のための二重領域仮想マスクインフォーム拡散モデルを提案する。 具体的には、仮想マスクを設計し、高エネルギー・低エネルギーのデータに適用して摂動操作を行い、拡散モデルの先行情報として機能する高次元テンソルを構築する。 さらに、ランダムに選択されたウェーブレット領域の高周波成分の情報とプロジェクション領域の情報を統合するために、グローバルストラクチャーと局所的な詳細を最適化するために、二重ドメイン協調戦略を採用する。 実験結果から,本手法は複数のデータセットにまたがって優れた性能を示すことがわかった。

関連論文リスト

• Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
  本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。 公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:58:22Z)
• MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
  マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。 提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。 プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
  論文  参考訳（メタデータ） (2024-05-09T14:52:32Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Diffusion Models Without Attention [110.5623058129782]
  Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。 拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
  論文  参考訳（メタデータ） (2023-11-30T05:15:35Z)
• MDFL: Multi-domain Diffusion-driven Feature Learning [19.298491870280213]
  マルチドメイン拡散駆動型特徴学習ネットワーク(MDFL)を提案する。 MDFLはモデルが本当に重視する効果的な情報領域を再定義します。 MDFLは高次元データの特徴抽出性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-11-16T02:55:21Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• 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)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。