論文の概要: FIND-Net -- Fourier-Integrated Network with Dictionary Kernels for Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2508.10617v1
• Date: Thu, 14 Aug 2025 13:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.32313
• Title: FIND-Net -- Fourier-Integrated Network with Dictionary Kernels for Metal Artifact Reduction
• Title（参考訳）: FIND-Net -- 金属アーチファクト削減のための辞書カーネル付きフーリエ統合ネットワーク
• Authors: Farid Tasharofi, Fuxin Fan, Melika Qahqaie, Mareike Thies, Andreas Maier,
• Abstract要約: CT(Computed tomography)画像における高密度金属インプラントによって引き起こされた金属人工物は、非常に劣化した画像品質である。 本稿では,周波数と空間領域処理を統合し,優れたアーチファクト抑圧を実現する新しいフレームワークであるFIND-Netを提案する。 実験により、FIND-Netは最先端のMAR法よりも統計的に有意な改善が得られた。
• 参考スコア（独自算出の注目度）: 2.979183050755201
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal artifacts, caused by high-density metallic implants in computed tomography (CT) imaging, severely degrade image quality, complicating diagnosis and treatment planning. While existing deep learning algorithms have achieved notable success in Metal Artifact Reduction (MAR), they often struggle to suppress artifacts while preserving structural details. To address this challenge, we propose FIND-Net (Fourier-Integrated Network with Dictionary Kernels), a novel MAR framework that integrates frequency and spatial domain processing to achieve superior artifact suppression and structural preservation. FIND-Net incorporates Fast Fourier Convolution (FFC) layers and trainable Gaussian filtering, treating MAR as a hybrid task operating in both spatial and frequency domains. This approach enhances global contextual understanding and frequency selectivity, effectively reducing artifacts while maintaining anatomical structures. Experiments on synthetic datasets show that FIND-Net achieves statistically significant improvements over state-of-the-art MAR methods, with a 3.07% MAE reduction, 0.18% SSIM increase, and 0.90% PSNR improvement, confirming robustness across varying artifact complexities. Furthermore, evaluations on real-world clinical CT scans confirm FIND-Net's ability to minimize modifications to clean anatomical regions while effectively suppressing metal-induced distortions. These findings highlight FIND-Net's potential for advancing MAR performance, offering superior structural preservation and improved clinical applicability. Code is available at https://github.com/Farid-Tasharofi/FIND-Net
• Abstract（参考訳）: CT(Computed tomography)画像における高密度金属インプラントによって引き起こされた金属人工物は、画像品質を著しく低下させ、診断と治療計画の複雑化を招いた。 既存のディープラーニングアルゴリズムはMAR(Metal Artifact Reduction)において顕著な成功を収めているが、構造的詳細を保存しながらアーティファクトの抑制に苦慮することが多い。 この課題に対処するために、周波数と空間領域処理を統合し、優れたアーティファクト抑制と構造保存を実現する新しいMARフレームワークであるFIND-Net(Fourier-Integrated Network with Dictionary Kernels)を提案する。 FIND-NetはFFC(Fast Fourier Convolution)層と訓練可能なガウスフィルタを組み、MARを空間領域と周波数領域の両方で動作するハイブリッドタスクとして扱う。 このアプローチは、グローバルな文脈理解と周波数選択性を高め、解剖学的構造を維持しながら、アーティファクトを効果的に削減する。 合成データセットの実験により、FIND-Netは最先端のMAR法に対して統計的に有意な改善を達成し、3.07%のMAE削減、0.18%のSSIM増加、0.90%のPSNR改善を実現し、様々な人工物複合体の堅牢性を確認した。 さらに,FIND-Netによる解剖学的領域の浄化を最小化しつつ,金属誘起歪みを効果的に抑制する能力が確認された。 以上より, FIND-NetによるMAR改善の可能性, 構造保存性, 臨床応用性の向上が示唆された。 コードはhttps://github.com/Farid-Tasharofi/FIND-Netで入手できる。

関連論文リスト

• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Dense Transformer based Enhanced Coding Network for Unsupervised Metal Artifact Reduction [27.800525536048944]
  本稿では,非教師付き金属アーティファクト削減のための新しいDense Transformer based Enhanced Coding Network (DTEC-Net)を提案する。 具体的には,高次密度プロセスに支えられた階層型ディペンタングと,高次エンコードされたシーケンスを得るトランスフォーマーを導入する。 DTEC-Netの有効性は、ベンチマークデータセットにおける従来の最先端メソッドよりも優れている。
  論文  参考訳（メタデータ） (2023-07-24T11:58:58Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• 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)
• Quad-Net: Quad-domain Network for CT Metal Artifact Reduction [33.52257638852766]
  金属インプラントやその他の高密度物体はCT画像に重篤なストリーキングアーティファクトを導入している。 ここでは、最先端のデュアルドメインディープネットワークアプローチをクワッドドメインに拡張する。 提案するMAR用クアッドドメインネットワークは、Quad-Netと呼ばれ、計算コストをほとんど必要としない。
  論文  参考訳（メタデータ） (2022-07-24T07:20:39Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction [15.225899631788973]
  金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。 CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。 MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-02-16T08:09:16Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。