Fugu-MT 論文翻訳(概要): D2IP: Deep Dynamic Image Prior for 3D Time-sequence Pulmonary Impedance Imaging

論文の概要: D2IP: Deep Dynamic Image Prior for 3D Time-sequence Pulmonary Impedance Imaging

arxiv url: http://arxiv.org/abs/2507.14046v1
Date: Fri, 18 Jul 2025 16:14:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 20:43:26.354364
Title: D2IP: Deep Dynamic Image Prior for 3D Time-sequence Pulmonary Impedance Imaging
Title（参考訳）: D2IP:3D Time-Sequence lung impedance Imaging に先立つD2IP
Authors: Hao Fang, Hao Yu, Sihao Teng, Tao Zhang, Siyi Yuan, Huaiwu He, Zhe Liu, Yunjie Yang,
Abstract要約: Deep Dynamic Image Prior (D2IP)は3次元時系列画像のための新しいフレームワークである。最先端のベースラインと比較して、D2IPは画像品質が優れ、平均MSSIMは24.8%、ERRは8.1%向上した。
参考スコア（独自算出の注目度）: 10.854639838765703
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised learning methods, such as Deep Image Prior (DIP), have shown great potential in tomographic imaging due to their training-data-free nature and high generalization capability. However, their reliance on numerous network parameter iterations results in high computational costs, limiting their practical application, particularly in complex 3D or time-sequence tomographic imaging tasks. To overcome these challenges, we propose Deep Dynamic Image Prior (D2IP), a novel framework for 3D time-sequence imaging. D2IP introduces three key strategies - Unsupervised Parameter Warm-Start (UPWS), Temporal Parameter Propagation (TPP), and a customized lightweight reconstruction backbone, 3D-FastResUNet - to accelerate convergence, enforce temporal coherence, and improve computational efficiency. Experimental results on both simulated and clinical pulmonary datasets demonstrate that D2IP enables fast and accurate 3D time-sequence Electrical Impedance Tomography (tsEIT) reconstruction. Compared to state-of-the-art baselines, D2IP delivers superior image quality, with a 24.8% increase in average MSSIM and an 8.1% reduction in ERR, alongside significantly reduced computational time (7.1x faster), highlighting its promise for clinical dynamic pulmonary imaging.
Abstract（参考訳）: Deep Image Prior (DIP)のような教師なし学習手法は、トレーニングデータのない性質と高度な一般化能力により、トモグラフィー画像において大きな可能性を秘めている。しかし、多くのネットワークパラメーターの反復に依存するため、計算コストが高くなり、特に複雑な3Dや時系列トモグラフィーのタスクにおいて、実用的利用が制限される。これらの課題を克服するために,3次元時系列画像の新しいフレームワークであるDeep Dynamic Image Prior (D2IP)を提案する。 D2IPでは、Unsupervised Parameter Warm-Start (UPWS), Temporal Parameter Propagation (TPP), and a customd lightweight reconstruction backbone, 3D-FastResUNet – という3つの重要な戦略を導入し、収束を加速し、時間的コヒーレンスを強制し、計算効率を向上させる。 D2IPは高速かつ正確な3D時間インピーダンストモグラフィー(tsEIT)の再構築を可能にすることが実証された。最先端のベースラインと比較して、D2IPはより優れた画質を提供し、平均的なMSSIMは24.8%増加し、ERRは8.1%減少し、計算時間が大幅に短縮された(7.1倍高速)。

関連論文リスト

MoNetV2: Enhanced Motion Network for Freehand 3D Ultrasound Reconstruction [11.531888235029445]
本研究では,多様な走査速度と戦術の下での再構成の精度と一般化性を高めるために,MoNetV2の拡張型モーションネットワークを提案する。 MoNetV2は、再構築品質と3つの大きなデータセットでの汎用性の両方のパフォーマンスにおいて、既存のメソッドを上回っている。
論文参考訳（メタデータ） (2025-06-16T04:57:34Z)
3D Photon Counting CT Image Super-Resolution Using Conditional Diffusion Model [6.75361442343724]
本研究の目的は、拡散確率モデル(DDPM)を用いた光子計数CT(PCCT)画像分解能の向上である。私たちはまずCatSimを利用して,高分解能CTスキャンから現実的な低分解能PCCT画像をシミュレートする。 DDPM性能の最大化は推論とトレーニングの両方に時間を要するため,条件付きDDPMのための2次元ネットワークと3次元ネットワークを探索する。
論文参考訳（メタデータ） (2024-08-22T02:25:21Z)
StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
論文参考訳（メタデータ） (2024-08-05T10:32:06Z)
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)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
論文参考訳（メタデータ） (2023-06-05T13:53:57Z)
STPDnet: Spatial-temporal convolutional primal dual network for dynamic PET image reconstruction [16.47493157003075]
動的PET画像再構成のための時空間畳み込みプライマリネットワーク(STPDnet)を提案する。 PETの物理投影は、ネットワークの反復学習プロセスに埋め込まれる。実験の結果,提案手法は時間領域と空間領域の両方で大きなノイズを発生させることができることがわかった。
論文参考訳（メタデータ） (2023-03-08T15:43:15Z)
GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文参考訳（メタデータ） (2022-07-18T06:01:29Z)
DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。時間分解能の高いMRIでは空間分解能が制限される。このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
論文参考訳（メタデータ） (2022-02-10T22:20:58Z)
A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文参考訳（メタデータ） (2021-08-17T16:20:51Z)
BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。