論文の概要: Nonperiodic dynamic CT reconstruction using backward-warping INR with regularization of diffeomorphism (BIRD)

• arxiv url: http://arxiv.org/abs/2505.03463v1
• Date: Tue, 06 May 2025 12:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.360401
• Title: Nonperiodic dynamic CT reconstruction using backward-warping INR with regularization of diffeomorphism (BIRD)
• Title（参考訳）: 差動同相性(BIRD)の正則化を考慮した後方ワープINRを用いた非周期的ダイナミックCT再構成
• Authors: Muge Du, Zhuozhao Zheng, Wenying Wang, Guotao Quan, Wuliang Shi, Le Shen, Li Zhang, Liang Li, Yinong Liu, Yuxiang Xing,
• Abstract要約: 本稿では,非周期的動的CT再構成のための新しい INR ベースのフレームワーク BIRD を提案する。 これらの課題に対処するためには、後方回転変形、運動補償型解析再構成、効率的な4次元座標符号化のための次元還元設計の4つの重要な貢献がある。 このフレームワークは、一拍動心再建、機能画像のための撮影画像シーケンス、従来のCTスキャンにおける運動アーティファクトの縮小など、潜在的な臨床応用でより正確な動的CT再構成を可能にする。
• 参考スコア（独自算出の注目度）: 9.894794660436693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic computed tomography (CT) reconstruction faces significant challenges in addressing motion artifacts, particularly for nonperiodic rapid movements such as cardiac imaging with fast heart rates. Traditional methods struggle with the extreme limited-angle problems inherent in nonperiodic cases. Deep learning methods have improved performance but face generalization challenges. Recent implicit neural representation (INR) techniques show promise through self-supervised deep learning, but have critical limitations: computational inefficiency due to forward-warping modeling, difficulty balancing DVF complexity with anatomical plausibility, and challenges in preserving fine details without additional patient-specific pre-scans. This paper presents a novel INR-based framework, BIRD, for nonperiodic dynamic CT reconstruction. It addresses these challenges through four key contributions: (1) backward-warping deformation that enables direct computation of each dynamic voxel with significantly reduced computational cost, (2) diffeomorphism-based DVF regularization that ensures anatomically plausible deformations while maintaining representational capacity, (3) motion-compensated analytical reconstruction that enhances fine details without requiring additional pre-scans, and (4) dimensional-reduction design for efficient 4D coordinate encoding. Through various simulations and practical studies, including digital and physical phantoms and retrospective patient data, we demonstrate the effectiveness of our approach for nonperiodic dynamic CT reconstruction with enhanced details and reduced motion artifacts. The proposed framework enables more accurate dynamic CT reconstruction with potential clinical applications, such as one-beat cardiac reconstruction, cinematic image sequences for functional imaging, and motion artifact reduction in conventional CT scans.
• Abstract（参考訳）: 動的CT(Dynamic Computed Tomography)再建は、特に高速心拍数による心臓画像などの非周期的急速運動に対して、運動アーチファクトに対処する上で大きな課題に直面している。 伝統的な手法は、非周期的なケースに固有の極端に限られた角度の問題に苦しむ。 ディープラーニング手法は性能を向上したが、一般化の課題に直面している。 近年の暗黙的神経表現(INR)技術は、自己監督的なディープラーニングを通じて約束されるが、前向きのモデリングによる計算の非効率性、DVFの複雑性と解剖学的妥当性のバランスの困難さ、さらに患者固有の事前スキャンを使わずに詳細を保存することの難しさなど、重要な制限がある。 本稿では,非周期的動的CT再構成のための新しい INR ベースのフレームワーク BIRD を提案する。 これらの課題には,(1)計算コストを大幅に削減した動的ボクセルの直接計算が可能な逆ワープ変形,(2)表現能力を維持しながら解剖学的に妥当な変形を保証する微分同相に基づくDVF正規化,(3)追加の事前スキャンを必要とせずに細部を微妙に向上する運動補償解析再構成,(4)効率的な4次元座標符号化のための次元還元設計など,4つの重要な貢献がある。 本研究は,デジタルファントムやリフレクション患者データなど,様々なシミュレーションおよび実践的研究を通じて,非周期的動的CT再構成に対するアプローチの有効性を実証し,詳細化と運動アーティファクトの縮小を図った。 提案フレームワークは, 一拍動心再建, 機能画像用撮影画像シーケンス, 従来のCTスキャンにおける動作アーチファクトの縮小などの臨床応用により, より正確な動的CT再構成を可能にする。

関連論文リスト

• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [45.31051025401413]
  X$2$-Gaussianは、連続4DCT再構成のための新しいフレームワークである。 動的放射スプラッティングと自己監督型呼吸運動学習を統合している。 従来の手法に比べて9.93dBのPSNR向上と2.25dBの改善を実現している。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• INeAT: Iterative Neural Adaptive Tomography [34.84974955073465]
  反復型ニューラルアダプティブ・トモグラフィ(INeAT)は、姿勢の最適化を組み込んで、姿勢の摂動の影響を抑える。 IneAT は, 顕著なポーズ障害を伴うシナリオにおいて, アーティファクト抑制, 解像度向上を達成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-03T01:00:36Z)
• Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
  心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。 提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:46:11Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
  本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。 本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
  論文  参考訳（メタデータ） (2021-02-16T00:39:43Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Learned Spectral Computed Tomography [0.0]
  スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。 この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。 提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-09T13:39:12Z)

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。