論文の概要: Learning Wavelet-Sparse FDK for 3D Cone-Beam CT Reconstruction

• arxiv url: http://arxiv.org/abs/2505.13579v1
• Date: Mon, 19 May 2025 15:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.457674
• Title: Learning Wavelet-Sparse FDK for 3D Cone-Beam CT Reconstruction
• Title（参考訳）: 3次元コーンビームCT再構成のためのウェーブレットスパースFDKの学習
• Authors: Yipeng Sun, Linda-Sophie Schneider, Chengze Ye, Mingxuan Gu, Siyuan Mei, Siming Bayer, Andreas Maier,
• Abstract要約: 古典的アルゴリズムの解釈可能性を維持するFDKベースの拡張ニューラルネットワークを提案する。 我々はウェーブレット変換を利用して、余弦重みとフィルタのスパース表現を作成する。 この戦略的なスペーシフィケーションは、性能を損なうことなくパラメータカウントを9,3.75%$削減する。
• 参考スコア（独自算出の注目度）: 3.951261552751241
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cone-Beam Computed Tomography (CBCT) is essential in medical imaging, and the Feldkamp-Davis-Kress (FDK) algorithm is a popular choice for reconstruction due to its efficiency. However, FDK is susceptible to noise and artifacts. While recent deep learning methods offer improved image quality, they often increase computational complexity and lack the interpretability of traditional methods. In this paper, we introduce an enhanced FDK-based neural network that maintains the classical algorithm's interpretability by selectively integrating trainable elements into the cosine weighting and filtering stages. Recognizing the challenge of a large parameter space inherent in 3D CBCT data, we leverage wavelet transformations to create sparse representations of the cosine weights and filters. This strategic sparsification reduces the parameter count by $93.75\%$ without compromising performance, accelerates convergence, and importantly, maintains the inference computational cost equivalent to the classical FDK algorithm. Our method not only ensures volumetric consistency and boosts robustness to noise, but is also designed for straightforward integration into existing CT reconstruction pipelines. This presents a pragmatic enhancement that can benefit clinical applications, particularly in environments with computational limitations.
• Abstract（参考訳）: Cone-Beam Computed Tomography (CBCT) は医用画像撮影に不可欠であり,Feldkamp-Davis-Kress (FDK) アルゴリズムはその効率性から再建に好適である。 しかし、FDKはノイズやアーティファクトに影響を受けやすい。 近年のディープラーニング手法は画像品質の向上を提供するが、計算複雑性を増大させ、従来の手法の解釈可能性に欠けることが多い。 本稿では,学習可能な要素をコサイン重み付けとフィルタリングの段階に選択的に統合することにより,古典的アルゴリズムの解釈可能性を維持するFDKベースの拡張ニューラルネットワークを提案する。 3次元CBCTデータに固有の大きなパラメータ空間の課題を認識し、ウェーブレット変換を利用して、余弦重みとフィルタのスパース表現を生成する。 この戦略的なスペーシフィケーションは、性能を損なうことなくパラメータカウントを9,3.75 %$に減らし、収束を加速し、そして重要なことに、古典的なFDKアルゴリズムと同等の推論計算コストを維持する。 提案手法は, ボリュームの整合性を確保し, ノイズに対する堅牢性を高めるだけでなく, 既存のCT再構成パイプラインと簡単に統合できるように設計されている。 これは、特に計算量制限のある環境で臨床応用に役立つ実用的な拡張を示す。

関連論文リスト

• Skelite: Compact Neural Networks for Efficient Iterative Skeletonization [38.6452617345504]
  骨格化は、その幾何学と位相をコンパクトに符号化した画像から薄い表現を抽出する。 学習可能なコンポーネントを用いて反復骨格化アルゴリズムを訓練するための新しいフレームワークを提案する。 提案手法は,トポロジ制約付きアルゴリズムの100倍の高速化を示す。
  論文  参考訳（メタデータ） (2025-03-10T14:27:25Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• 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)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• A computationally efficient reconstruction algorithm for circular cone-beam computed tomography using shallow neural networks [0.0]
  本稿では,ニューラルネットワークFeldkamp-Davis-Kress (NN-FDK)アルゴリズムを提案する。 FDKアルゴリズムに機械学習コンポーネントを追加し、計算効率を維持しながら再構成精度を向上させる。 NN-FDKネットワークのトレーニング時間は、考慮されたディープニューラルネットワークよりも桁違いに低く、再構成精度はわずかに低下している。
  論文  参考訳（メタデータ） (2020-10-01T14:10:23Z)

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。