論文の概要: JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections

• arxiv url: http://arxiv.org/abs/2505.08123v1
• Date: Mon, 12 May 2025 23:32:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.361744
• Title: JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections
• Title（参考訳）: JSover:単エネルギーCT投影による関節スペクトル推定と多要素分解
• Authors: Qing Wu, Hongjiang Wei, Jingyi Yu, S. Kevin Zhou, Yuyao Zhang,
• Abstract要約: 多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。 従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。 本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
• 参考スコア（独自算出の注目度）: 45.14515691206885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-material decomposition (MMD) enables quantitative reconstruction of tissue compositions in the human body, supporting a wide range of clinical applications. However, traditional MMD typically requires spectral CT scanners and pre-measured X-ray energy spectra, significantly limiting clinical applicability. To this end, various methods have been developed to perform MMD using conventional (i.e., single-energy, SE) CT systems, commonly referred to as SEMMD. Despite promising progress, most SEMMD methods follow a two-step image decomposition pipeline, which first reconstructs monochromatic CT images using algorithms such as FBP, and then performs decomposition on these images. The initial reconstruction step, however, neglects the energy-dependent attenuation of human tissues, introducing severe nonlinear beam hardening artifacts and noise into the subsequent decomposition. This paper proposes JSover, a fundamentally reformulated one-step SEMMD framework that jointly reconstructs multi-material compositions and estimates the energy spectrum directly from SECT projections. By explicitly incorporating physics-informed spectral priors into the SEMMD process, JSover accurately simulates a virtual spectral CT system from SE acquisitions, thereby improving the reliability and accuracy of decomposition. Furthermore, we introduce implicit neural representation (INR) as an unsupervised deep learning solver for representing the underlying material maps. The inductive bias of INR toward continuous image patterns constrains the solution space and further enhances estimation quality. Extensive experiments on both simulated and real CT datasets show that JSover outperforms state-of-the-art SEMMD methods in accuracy and computational efficiency.
• Abstract（参考訳）: 多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築し、幅広い臨床応用を支援する。 しかし、従来のMDDは、通常、スペクトルCTスキャナーと予め測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。 この目的のために、従来の(シングルエネルギー、SE)CTシステム(通称SEMMD)を用いてMDDを実行するための様々な手法が開発されている。 有望な進歩にもかかわらず、ほとんどのSEMMD法は2段階の画像分解パイプラインに従い、まずFBPなどのアルゴリズムを用いて単色CT画像を再構成し、これらの画像を分解する。 しかし、最初の再構築段階は、人間の組織のエネルギー依存的な減衰を無視し、重度の非線形ビーム硬化アーティファクトとノイズをその後の分解に導入する。 本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。 物理インフォームドスペクトルをSEMMDプロセスに明示的に組み込むことで、JSoverはSE取得から仮想スペクトルCTシステムを正確にシミュレートし、分解の信頼性と精度を向上させる。 さらに,暗黙的ニューラル表現 (INR) を教師なしの深層学習解法として導入し,基礎となる物質マップを表現した。 連続像パターンに対するINRの帰納バイアスは、解空間を制約し、さらに推定品質を高める。 シミュレーションおよび実CTデータセットの広範な実験により、JSoverは最先端のSEMMD法よりも精度と計算効率が優れていることが示された。

関連論文リスト

• 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)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• CT Material Decomposition using Spectral Diffusion Posterior Sampling [3.8673630752805446]
  本研究では,拡散後サンプリング(DPS)に基づく新しい深層学習手法を提案する。 逆プロセスに必要な時間ステップ数を削減するために、ジャンプ開始プロセスを使用する高速で安定した変種が提案されている。 その結果, スペクトルCTデータに基づく比較的高速かつ高精度な材料分解を実現するJSDPSの可能性が示された。
  論文  参考訳（メタデータ） (2024-02-05T19:35:57Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding [7.6849475214826315]
  本稿では,医療画像合成のためのDDMM-Synthという新しいフレームワークを提案する。 これはMRI誘導拡散モデルと新しいCT計測埋め込み逆サンプリングスキームを組み合わせたものである。 特定の臨床応用のための後方CTの投射数を調整することができ、その修正版はノイズのある症例に対して結果を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-03-28T07:13:11Z)
• 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)
• 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)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。