論文の概要: Adaptive Multi-resolution Hash-Encoding Framework for INR-based Dental CBCT Reconstruction with Truncated FOV

• arxiv url: http://arxiv.org/abs/2506.12471v1
• Date: Sat, 14 Jun 2025 12:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.287335
• Title: Adaptive Multi-resolution Hash-Encoding Framework for INR-based Dental CBCT Reconstruction with Truncated FOV
• Title（参考訳）: Trncated FOV を用いたINR-based Dental CBCT 再構成のための適応型多分解能ハッシュ符号化フレームワーク
• Authors: Hyoung Suk Park, Kiwan Jeon,
• Abstract要約: Inlicit Neural representation (INR) はCT画像再構成において有望なアプローチとして最近出現している。 本稿では,3次元歯科用CBCTのマルチレゾリューション・ハッシュエンコーディングを利用した計算効率の良いINRベースの再構成フレームワークを提案する。 固定解像度レベルと固定サンプリングレートを用いた単純領域拡張と比較して、適応戦略は800x800x600の画像ボリュームに対して計算時間を60%以上削減する。
• 参考スコア（独自算出の注目度）: 0.08928976797184517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representation (INR), particularly in combination with hash encoding, has recently emerged as a promising approach for computed tomography (CT) image reconstruction. However, directly applying INR techniques to 3D dental cone-beam CT (CBCT) with a truncated field of view (FOV) is challenging. During the training process, if the FOV does not fully encompass the patient's head, a discrepancy arises between the measured projections and the forward projections computed within the truncated domain. This mismatch leads the network to estimate attenuation values inaccurately, producing severe artifacts in the reconstructed images. In this study, we propose a computationally efficient INR-based reconstruction framework that leverages multi-resolution hash encoding for 3D dental CBCT with a truncated FOV. To mitigate truncation artifacts, we train the network over an expanded reconstruction domain that fully encompasses the patient's head. For computational efficiency, we adopt an adaptive training strategy that uses a multi-resolution grid: finer resolution levels and denser sampling inside the truncated FOV, and coarser resolution levels with sparser sampling outside. To maintain consistent input dimensionality of the network across spatially varying resolutions, we introduce an adaptive hash encoder that selectively activates the lower-level features of the hash hierarchy for points outside the truncated FOV. The proposed method with an extended FOV effectively mitigates truncation artifacts. Compared with a naive domain extension using fixed resolution levels and a fixed sampling rate, the adaptive strategy reduces computational time by over 60% for an image volume of 800x800x600, while preserving the PSNR within the truncated FOV.
• Abstract（参考訳）: Inlicit Neural representation(INR)は、特にハッシュエンコーディングと組み合わせて、CT画像再構成のための有望なアプローチとして最近登場した。 しかし,3次元歯科用コーンビームCT(CBCT)に直接INR法を適用することは困難である。 トレーニングプロセス中、FOVが患者の頭部を完全に包含していない場合、測定された投射と切り離された領域内で計算された前方投射との間に相違が生じます。 このミスマッチにより、ネットワークは減衰値を不正確に推定し、再構成された画像に深刻なアーティファクトを生成する。 本研究では,3次元歯科用CBCTのマルチレゾリューション・ハッシュエンコーディングを利用した計算効率の良いINRベースの再構成フレームワークを提案する。 トラクションアーチファクトを緩和するため,患者の頭部を完全に包含する拡張再構築領域上でネットワークをトレーニングする。 計算効率向上のために,マルチレゾリューショングリッドを用いた適応的トレーニング戦略を,トラストカットされたFOV内部の細粒度レベルと高密度サンプリング,スペーサーサンプリングを外部に導入した粗粒度レベルを採用した。 空間的に異なる解像度でネットワークの整合的な入力次元を維持するために、トラッピングされたFOVの外側の点に対するハッシュ階層の低レベル特徴を選択的に活性化する適応型ハッシュエンコーダを導入する。 拡張FOVを用いた提案手法は, トラクションアーティファクトを効果的に緩和する。 固定解像度レベルと固定サンプリングレートを用いた単純領域拡張と比較して、適応戦略は800x800x600の画像ボリュームに対して計算時間を60%以上削減し、停止したFOV内にPSNRを保存する。

関連論文リスト

• Sampling Theory for Super-Resolution with Implicit Neural Representations [0.3222802562733786]
  Inlicit Neural representations (INRs) は、コンピュータおよび計算画像における逆問題を解決する強力なツールとして登場した。 本稿では, 隠れ層INRとReLUと隠されたフーリエ層とを重み減衰正規化の形式を用いて適合させる方法を示す。 低幅単層INRにより実現された画像の正確な回復率を実証的に評価する。
  論文  参考訳（メタデータ） (2025-06-11T17:18:20Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Towards a Sampling Theory for Implicit Neural Representations [0.3222802562733786]
  Inlicit Neural representations (INRs) は、コンピュータおよび計算画像における逆問題を解決する強力なツールとして登場した。 一般化された重み減衰正規化方式を用いて, 隠蔽層INRから画像の復元方法を示す。 低幅単層INRにより実現された正確な回復画像を得る確率を実証的に評価し、より現実的な連続領域ファントム画像の超解像回復におけるINRの性能を示す。
  論文  参考訳（メタデータ） (2024-05-28T17:53:47Z)
• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function [28.201018420730332]
  本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
  論文  参考訳（メタデータ） (2022-08-05T18:41:17Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。