論文の概要: Accelerated Optimization of Implicit Neural Representations for CT Reconstruction

• arxiv url: http://arxiv.org/abs/2504.13390v1
• Date: Fri, 18 Apr 2025 00:52:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 19:55:09.515253
• Title: Accelerated Optimization of Implicit Neural Representations for CT Reconstruction
• Title（参考訳）: CT再構成のための命令型ニューラル表現の高速化
• Authors: Mahrokh Najaf, Gregory Ongie,
• Abstract要約: 低用量/スパース・ビューX線CT(CT)における暗黙的神経表現(INR)の再構成について最近提案されている。 INRはCT画像を小さなニューラルネットワークとして表現し、空間座標を入力として取り、減衰値を出力する。 本稿では,CT再構成のためのINRの最適化を高速化する戦略について検討する。
• 参考スコア（独自算出の注目度）: 0.3222802562733786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by their success in solving challenging inverse problems in computer vision, implicit neural representations (INRs) have been recently proposed for reconstruction in low-dose/sparse-view X-ray computed tomography (CT). An INR represents a CT image as a small-scale neural network that takes spatial coordinates as inputs and outputs attenuation values. Fitting an INR to sinogram data is similar to classical model-based iterative reconstruction methods. However, training INRs with losses and gradient-based algorithms can be prohibitively slow, taking many thousands of iterations to converge. This paper investigates strategies to accelerate the optimization of INRs for CT reconstruction. In particular, we propose two approaches: (1) using a modified loss function with improved conditioning, and (2) an algorithm based on the alternating direction method of multipliers. We illustrate that both of these approaches significantly accelerate INR-based reconstruction of a synthetic breast CT phantom in a sparse-view setting.
• Abstract（参考訳）: コンピュータビジョンにおける逆問題解決の成功に触発された暗黙的ニューラル表現(INR)は、近年、低線量/スパース・ビューX線CT(CT)の再構成のために提案されている。 INRはCT画像を小さなニューラルネットワークとして表現し、空間座標を入力として取り、減衰値を出力する。 INRをシングラムデータに適合させることは、古典的モデルに基づく反復的再構成法と似ている。 しかし、損失と勾配に基づくアルゴリズムによるINRのトレーニングは、数千のイテレーションが収束するのにかかるため、非常に遅くなる可能性がある。 本稿では,CT再構成のためのINRの最適化を高速化する戦略について検討する。 具体的には,(1)条件を改良した改良型損失関数と(2)乗算器の交互方向法に基づくアルゴリズムの2つの手法を提案する。 両アプローチは, スパース・ビュー・セッティングにおいて, INRをベースとした人工胸部CTファントムの再建を著しく促進することを示した。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Deep Guess acceleration for explainable image reconstruction in sparse-view CT [0.0]
  スパースビューCT(Sparse-view Computed)は、医療画像における放射線線量を減らすために設計された新しいプロトコルである。 従来のフィルタバックプロジェクションの復元は、スパースデータによる深刻なアーティファクトに悩まされている。 対照的に、モデルベース反復再建(MBIR)は、臨床的使用には計算コストがかかりすぎる。
  論文  参考訳（メタデータ） (2024-12-02T16:49:42Z)
• AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
  CTは産業用非破壊検査や診断において重要な役割を担っている。 スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。 本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
  論文  参考訳（メタデータ） (2024-09-11T10:34:41Z)
• A Low-dose CT Reconstruction Network Based on TV-regularized OSEM Algorithm [10.204918070701211]
  低用量CT(LDCT)は人体に対する潜在的な害を軽減する上で大きな利点がある。 予測 (EM) アルゴリズムを用いることで, LDCT の再構成精度を向上させるために, 統計的先行値と人工先行値を組み合わせることができる。 本稿では,EMアルゴリズムのM'-stepにTV正規化を組み込むことにより,効果的かつ効率的な正規化を実現することを提案する。
  論文  参考訳（メタデータ） (2024-08-25T13:31:53Z)
• Enhanced Low-Dose CT Image Reconstruction by Domain and Task Shifting Gaussian Denoisers [3.4748713192043876]
  低放射線線量 (LDCT) からのCTは, 投射データに高ノイズが伴うため困難である。 本稿では,2段階の手法と最先端の再現性を組み合わせた簡易性と効率性を提案する。
  論文  参考訳（メタデータ） (2024-03-06T08:51:09Z)
• 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)
• Self-Supervised Coordinate Projection Network for Sparse-View Computed Tomography [31.774432128324385]
  本研究では,1つのSVシングラムからアーチファクトフリーCT像を再構成する自己監督コーディネートプロジェクションnEtwork(SCOPE)を提案する。 暗黙的ニューラル表現ネットワーク(INR)を用いた類似の問題を解決する最近の研究と比較して、我々の重要な貢献は効果的で単純な再投射戦略である。
  論文  参考訳（メタデータ） (2022-09-12T06:14:04Z)
• 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)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。