論文の概要: A Learning-based Framework for Spatial Impulse Response Compensation in 3D Photoacoustic Computed Tomography

• arxiv url: http://arxiv.org/abs/2601.20291v1
• Date: Wed, 28 Jan 2026 06:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.794113
• Title: A Learning-based Framework for Spatial Impulse Response Compensation in 3D Photoacoustic Computed Tomography
• Title（参考訳）: 3次元光音響CTにおける空間インパルス応答補償のための学習型フレームワーク
• Authors: Kaiyi Yang, Seonyeong Park, Gangwon Jeong, Hsuan-Kai Huang, Alexander A. Oraevsky, Umberto Villa, Mark A. Anastasio,
• Abstract要約: 光音響計算トモグラフィ(PACT)は、光学コントラストと超音波検出を組み合わせた将来的な画像モダリティである。 トランスデューサの空間インパルス応答(SIR)は、再構成画像の空間分解能を損なうことができる。 本研究では,データ領域で動作する学習型SIR補償手法を確立するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.51282605457274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photoacoustic computed tomography (PACT) is a promising imaging modality that combines the advantages of optical contrast with ultrasound detection. Utilizing ultrasound transducers with larger surface areas can improve detection sensitivity. However, when computationally efficient analytic reconstruction methods that neglect the spatial impulse responses (SIRs) of the transducer are employed, the spatial resolution of the reconstructed images will be compromised. Although optimization-based reconstruction methods can explicitly account for SIR effects, their computational cost is generally high, particularly in three-dimensional (3D) applications. To address the need for accurate but rapid 3D PACT image reconstruction, this study presents a framework for establishing a learned SIR compensation method that operates in the data domain. The learned compensation method maps SIR-corrupted PACT measurement data to compensated data that would have been recorded by idealized point-like transducers. Subsequently, the compensated data can be used with a computationally efficient reconstruction method that neglects SIR effects. Two variants of the learned compensation model are investigated that employ a U-Net model and a specifically designed, physics-inspired model, referred to as Deconv-Net. A fast and analytical training data generation procedure is also a component of the presented framework. The framework is rigorously validated in virtual imaging studies, demonstrating resolution improvement and robustness to noise variations, object complexity, and sound speed heterogeneity. When applied to in-vivo breast imaging data, the learned compensation models revealed fine structures that had been obscured by SIR-induced artifacts. To our knowledge, this is the first demonstration of learned SIR compensation in 3D PACT imaging.
• Abstract（参考訳）: 光音響計算トモグラフィ(PACT)は、光学コントラストと超音波検出の利点を組み合わせた、将来性のある画像モダリティである。 表面積が大きい超音波トランスデューサを用いることで、検出感度を向上させることができる。 しかし、トランスデューサの空間的インパルス応答(SIR)を無視する計算効率の良い解析的再構成手法を採用すると、再構成画像の空間分解能が損なわれる。 最適化に基づく再構成手法はSIR効果を明示的に説明できるが、その計算コストは一般に高い。 高精度かつ迅速な3次元PACT画像再構成の必要性に対処するため,本研究では,データ領域で動作する学習型SIR補償手法を確立するための枠組みを提案する。 学習した補償法は、SIR崩壊したPACT測定データを、理想化された点状トランスデューサによって記録されたであろう補償データにマッピングする。 その後、SIR効果を無視する計算効率の良い再構成法を用いて補償データを使用することができる。 U-NetモデルとDeconv-Netと呼ばれる特別に設計された物理モデルを用いた2種類の学習補償モデルについて検討した。 高速かつ解析的なトレーニングデータ生成手順も、提示されたフレームワークのコンポーネントである。 このフレームワークは仮想画像研究において厳密に検証され、ノイズの変動、物体の複雑さ、音速の不均一性に対する解像度の改善と堅牢性を示す。 In-vivo breast imaging dataに応用すると,SIRにより誘発された微細な構造が明らかとなった。 我々の知る限り、これは3D PACT画像における学習されたSIR補償の最初の実演である。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Noise-adapted Neural Operator for Robust Non-Line-of-Sight Imaging [5.486845789695915]
  本稿では3次元画像再構成における大規模線形問題に適したパラメータ化逆問題フレームワークを提案する。 パラメータ化ニューラル演算子を開発し、逆マッピングを近似し、エンドツーエンドの高速画像再構成を容易にする。 演算子学習を基盤とした3次元画像再構成フレームワークは,ディープアルゴリズムの展開によって構築される。
  論文  参考訳（メタデータ） (2025-08-13T09:40:38Z)
• MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
  正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。 拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
  論文  参考訳（メタデータ） (2024-12-25T00:55:05Z)
• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
  3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義 既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。 本研究では,新しい教師なしRAR手法であるRinerを提案する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• DDGS-CT: Direction-Disentangled Gaussian Splatting for Realistic Volume Rendering [30.30749508345767]
  デジタル再構成ラジオグラフィ(DRR)は3次元CTボリュームから生成された2次元X線画像である。 そこで本研究では, DRR 生成を効率よく, 微分可能な DRR 生成で実現し, 現実的な物理にインスパイアされた X-ray シミュレーションを取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T17:39:31Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。