論文の概要: ReMAR-DS: Recalibrated Feature Learning for Metal Artifact Reduction and CT Domain Transformation
- arxiv url: http://arxiv.org/abs/2506.19531v1
- Date: Tue, 24 Jun 2025 11:34:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.606897
- Title: ReMAR-DS: Recalibrated Feature Learning for Metal Artifact Reduction and CT Domain Transformation
- Title（参考訳）: ReMAR-DS:金属アーチファクトの低減とCTドメイン変換のための再検討された特徴学習
- Authors: Mubashara Rehman, Niki Martinel, Michele Avanzo, Riccardo Spizzo, Christian Micheloni,
- Abstract要約: kVCT画像のアーチファクトは画像品質を低下させ、臨床的決定に影響を及ぼす。
我々は,kVCTからMega-Voltage CT(MVCT)へのメタアーティファクトリダクションとドメイン変換のためのディープラーニングフレームワークを提案する。
提案するフレームワークであるReMAR-DSは、エンコーダ・デコーダアーキテクチャを利用して、機能リカバリを強化し、解剖学的構造を保ちながらアーティファクトを効果的に削減する。
- 参考スコア（独自算出の注目度）: 12.205008231517326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artifacts in kilo-Voltage CT (kVCT) imaging degrade image quality, impacting clinical decisions. We propose a deep learning framework for metal artifact reduction (MAR) and domain transformation from kVCT to Mega-Voltage CT (MVCT). The proposed framework, ReMAR-DS, utilizes an encoder-decoder architecture with enhanced feature recalibration, effectively reducing artifacts while preserving anatomical structures. This ensures that only relevant information is utilized in the reconstruction process. By infusing recalibrated features from the encoder block, the model focuses on relevant spatial regions (e.g., areas with artifacts) and highlights key features across channels (e.g., anatomical structures), leading to improved reconstruction of artifact-corrupted regions. Unlike traditional MAR methods, our approach bridges the gap between high-resolution kVCT and artifact-resistant MVCT, enhancing radiotherapy planning. It produces high-quality MVCT-like reconstructions, validated through qualitative and quantitative evaluations. Clinically, this enables oncologists to rely on kVCT alone, reducing repeated high-dose MVCT scans and lowering radiation exposure for cancer patients.
- Abstract（参考訳）: kVCT画像のアーチファクトは画像品質を低下させ、臨床的決定に影響を及ぼす。
本稿では, kVCT から Mega-Voltage CT (MVCT) への領域変換とメタアーティファクト削減のためのディープラーニングフレームワークを提案する。
提案するフレームワークであるReMAR-DSは、エンコーダ・デコーダアーキテクチャを利用して、機能リカバリを強化し、解剖学的構造を保ちながらアーティファクトを効果的に削減する。
これにより、再建プロセスにおいて、関連する情報のみを利用することが保証される。
エンコーダブロックから再校正された特徴を注入することにより、モデルは関連する空間領域(例えば、アーティファクトを持つ領域)に焦点を当て、チャネル全体(例えば、解剖学的構造)に重要な特徴を強調し、アーティファクトが破損した領域の再構築を改善する。
従来のMAR法とは異なり,我々は高分解能kVCTと耐工芸品MVTのギャップを埋め,放射線治療計画を強化する。
質の高いMVTライクな再構築を行い、質的、定量的な評価によって検証される。
臨床的には、腫瘍学者はkVCTのみに頼り、高用量MVTスキャンの繰り返しを減らし、がん患者の放射線被曝を減らすことができる。
関連論文リスト
- RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement [10.620138922340258]
心拡散強調画像再構成のための新しいフレームワークであるRSFR(Reconstruction, Fusion & Refinement)を紹介する。
RSFRは、Segment Anything ModelとロバストなVision Mambaベースの再構築バックボーンを通じてゼロショットセマンティクスを活用、粗大な戦略を採用している。
提案フレームワークは,アーティファクトを効果的に緩和し,忠実度を高めるために意味的特徴を統合し,最先端の復元品質と高精度DTパラメータ推定を実現する。
論文 参考訳（メタデータ） (2025-04-25T17:41:14Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - MAR-DTN: Metal Artifact Reduction using Domain Transformation Network for Radiotherapy Planning [10.515417851330877]
頭頸部癌患者では、kVCT(kVoltage tube potentials)を用いた標準CTスキャンの品質は、ストリークアーティファクトによって著しく低下する。
いくつかの放射線治療装置は、毎日の患者のセットアップ検証のためにMega-Voltage CT(MVCT)を取得する可能性がある。
得られたkVCT画像からアーチファクトフリーのMVT画像を生成することができるディープラーニングベースのアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-23T16:04:00Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - 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) - 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) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - 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)
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。