論文の概要: An update to PYRO-NN: A Python Library for Differentiable CT Operators

• arxiv url: http://arxiv.org/abs/2511.08427v1
• Date: Wed, 12 Nov 2025 01:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.811567
• Title: An update to PYRO-NN: A Python Library for Differentiable CT Operators
• Title（参考訳）: PYRO-NNのアップデート: 微分CT演算子のためのPythonライブラリ
• Authors: Linda-Sophie Schneider, Yipeng Sun, Chengze Ye, Markus Michen, Andreas Maier,
• Abstract要約: 深層学習はX線CT(Computerd Tomography)再建に大きな進歩をもたらした。 微分CT再構成のためのPythonベースのライブラリであるPYRO-NNの更新版を提案する。
• 参考スコア（独自算出の注目度）: 3.5218270958038365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has brought significant advancements to X-ray Computed Tomography (CT) reconstruction, offering solutions to challenges arising from modern imaging technologies. These developments benefit from methods that combine classical reconstruction techniques with data-driven approaches. Differentiable operators play a key role in this integration by enabling end-to-end optimization and the incorporation of physical modeling within neural networks. In this work, we present an updated version of PYRO-NN, a Python-based library for differentiable CT reconstruction. The updated framework extends compatibility to PyTorch and introduces native CUDA kernel support for efficient projection and back-projection operations across parallel, fan, and cone-beam geometries. Additionally, it includes tools for simulating imaging artifacts, modeling arbitrary acquisition trajectories, and creating flexible, end-to-end trainable pipelines through a high-level Python API. Code is available at: https://github.com/csyben/PYRO-NN
• Abstract（参考訳）: ディープラーニングはX線CT(Computerd Tomography)の再構築に大きな進歩をもたらし、現代の画像技術から生じる課題に対する解決策を提供している。 これらの発展は、古典的な再構築技法とデータ駆動アプローチを組み合わせた手法の恩恵を受ける。 この統合において、微分演算子は、エンドツーエンドの最適化とニューラルネットワーク内の物理モデリングの組み込みを可能にすることで、重要な役割を果たす。 そこで本研究では,PYRO-NNの更新版について紹介する。 更新されたフレームワークは、PyTorchとの互換性を拡張し、並列、ファン、コーンビームのジオメトリをまたいだ効率的なプロジェクションとバックプロジェクション操作をサポートするネイティブCUDAカーネルを導入した。 さらに、イメージングアーティファクトをシミュレートし、任意の取得トラジェクトリをモデリングし、ハイレベルなPython APIを通じてフレキシブルでエンドツーエンドのトレーニング可能なパイプラインを作成するツールも含まれている。 コードは、https://github.com/csyben/PYRO-NNで入手できる。

関連論文リスト

• pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data [10.949140998070732]
  pyFASTは時系列分析のための研究指向のPyTorchフレームワークである。 データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスおよびパッチレベルのパディング、動的正規化、マスクベースのモデリングをサポートする。 GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-08-26T10:05:47Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• TransDeepLab: Convolution-Free Transformer-based DeepLab v3+ for Medical Image Segmentation [11.190117191084175]
  本稿では,DeepLabライクな医用画像セグメンテーション用トランスフォーマであるTransDeepLabを提案する。 我々は、DeepLabv3を拡張し、ASPPモジュールをモデル化するために、シフトウィンドウを持つ階層型Swin-Transformerを利用する。 提案手法は,視覚変換器とCNNに基づく手法のアマルガメーションにおいて,現代のほとんどの作品に匹敵する,あるいは同等に動作する。
  論文  参考訳（メタデータ） (2022-08-01T09:53:53Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• A Data-Centric Optimization Framework for Machine Learning [9.57755812904772]
  私たちは、任意のディープニューラルネットワークをトレーニングするためのフレキシブルでユーザ指向のパイプラインを定義することで、ディープラーニング研究者に力を与えます。 パイプラインは、PyTorchまたはONNXの標準ネットワークから始まり、プログレッシブローディングを通じて変換される。 我々は10の異なるネットワーク上での競争性能やスピードアップを実演し、インタラクティブな最適化によってEfficientNetの新しい機会を発見する。
  論文  参考訳（メタデータ） (2021-10-20T22:07:40Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• DeConFuse : A Deep Convolutional Transform based Unsupervised Fusion Framework [29.58965424136611]
  本研究では、深層畳み込み変換学習に基づく教師なし融合フレームワークを提案する。 ストック予測とトレーディングの問題に対して,提案手法であるDeConFuseを適用した。
  論文  参考訳（メタデータ） (2020-11-09T11:04:09Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
  PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。 これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
  論文  参考訳（メタデータ） (2020-02-13T10:33:05Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。