論文の概要: Continuous Filtered Backprojection by Learnable Interpolation Network

• arxiv url: http://arxiv.org/abs/2505.01768v1
• Date: Sat, 03 May 2025 09:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.262202
• Title: Continuous Filtered Backprojection by Learnable Interpolation Network
• Title（参考訳）: 学習型補間ネットワークによる連続フィルタバックプロジェクション
• Authors: Hui Lin, Dong Zeng, Qi Xie, Zerui Mao, Jianhua Ma, Deyu Meng,
• Abstract要約: 本研究では,Leanable-Interpolation-based FBP (LInFBP) と呼ばれる新しいディープラーニングモデルを提案する。 提案した LInFBP では,選択した基底関数の線形結合として,離散シングラムデータの潜伏連続関数の局所部分をすべて定式化する。 次に、学習した潜伏連続関数をバックプロジェクションステップに利用し、FBPの深層学習を初めて活用する。
• 参考スコア（独自算出の注目度）: 48.52134830162271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate reconstruction of computed tomography (CT) images is crucial in medical imaging field. However, there are unavoidable interpolation errors in the backprojection step of the conventional reconstruction methods, i.e., filtered-back-projection based methods, which are detrimental to the accurate reconstruction. In this study, to address this issue, we propose a novel deep learning model, named Leanable-Interpolation-based FBP or LInFBP shortly, to enhance the reconstructed CT image quality, which achieves learnable interpolation in the backprojection step of filtered backprojection (FBP) and alleviates the interpolation errors. Specifically, in the proposed LInFBP, we formulate every local piece of the latent continuous function of discrete sinogram data as a linear combination of selected basis functions, and learn this continuous function by exploiting a deep network to predict the linear combination coefficients. Then, the learned latent continuous function is exploited for interpolation in backprojection step, which first time takes the advantage of deep learning for the interpolation in FBP. Extensive experiments, which encompass diverse CT scenarios, demonstrate the effectiveness of the proposed LInFBP in terms of enhanced reconstructed image quality, plug-and-play ability and generalization capability.
• Abstract（参考訳）: CT画像の正確な再構成は, 医用画像分野において重要である。 しかし, 従来の再建法であるフィルタバックプロジェクション法では, 補間誤差が避けられないため, 正確な復元が困難である。 本研究では,この課題に対処するため,再構成CT画像の品質を高めるために,Leanable-Interpolation-based FBP (LInFBP) という新しいディープラーニングモデルを提案する。 具体的には、提案したLInFBPにおいて、離散シングラムデータの潜伏連続関数のすべての局所部分を、選択された基底関数の線形結合として定式化し、この連続関数は、深いネットワークを利用して線形結合係数を予測することによって学習する。 次に、学習された潜伏連続関数をバックプロジェクションステップの補間に利用し、FBPの補間に深層学習を利用する。 多様なCTシナリオを網羅した広範囲な実験は、再構成画像の品質向上、プラグアンドプレイ能力、一般化能力の観点から、提案したLInFBPの有効性を実証している。

関連論文リスト

• Depth Estimation Algorithm Based on Transformer-Encoder and Feature Fusion [3.490784807576072]
  この研究は、自然言語処理の成功で有名なトランスフォーマーモデルを採用し、深度推定タスクのための視覚データにおける複雑な空間関係をキャプチャする。 この研究の重要な革新は、構造類似度指標尺度(SSIM)と平均正方形誤差(MSE)を組み合わせた複合損失関数の統合である。 本研究は,MSEに基づく損失によく見られる過度な平滑化の課題に対処し,精度だけでなく,入力画像との整合性も維持する深度マップの予測能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-03T02:10:00Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density [15.143939192429018]
  本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。 ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。 限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2022-09-27T09:10:57Z)
• A Probabilistic Deep Image Prior for Computational Tomography [0.19573380763700707]
  既存の深層学習によるトモグラフィ画像再構成手法では,復元の不確かさの正確な推定は得られない。 我々は,古典的全変動(TV)正規化器と現代の深部画像先行(DIP)を組み合わせたトモグラフィー再構成のためのベイズ事前構築を行う。 提案手法は,高次元設定にスケーラブルな線形化Laplace法に基づく手法である。
  論文  参考訳（メタデータ） (2022-02-28T14:47:14Z)
• 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)
• Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network [5.3580471186206005]
  繰り返し畳み込みによって実装されたデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャが導出される。 重み付きネットワークや近位ネットワークのカスケードよりも、再帰的なネットワークによるアンローリングの方がよい結果が得られることを示すことができる。
  論文  参考訳（メタデータ） (2021-05-19T20:00:04Z)
• Light Field Reconstruction via Deep Adaptive Fusion of Hybrid Lenses [67.01164492518481]
  本稿では,ハイブリットレンズを用いた高分解能光場(LF)画像の再構成問題について検討する。 本稿では,入力の特徴を包括的に活用できる新しいエンドツーエンド学習手法を提案する。 我々のフレームワークは、高解像度なLFデータ取得のコストを削減し、LFデータストレージと送信の恩恵を受ける可能性がある。
  論文  参考訳（メタデータ） (2021-02-14T06:44:47Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)

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。