論文の概要: Low performing pixel correction in computed tomography with unrolled network and synthetic data training

• arxiv url: http://arxiv.org/abs/2601.20995v1
• Date: Wed, 28 Jan 2026 19:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.411577
• Title: Low performing pixel correction in computed tomography with unrolled network and synthetic data training
• Title（参考訳）: ネットワークと合成データを用いたコンピュータ断層撮影における低能率画素補正
• Authors: Hongxu Yang, Levente Lippenszky, Edina Timko, Lehel Ferenczi, Gopal Avinash,
• Abstract要約: Computed Tomography(CT)検出器の低性能画素(LPP)は、再構成された画像のリングやストリークアーティファクトに繋がる。 LPPアーティファクトを補正するために,合成データに基づくアンロール二重領域法を提案する。
• 参考スコア（独自算出の注目度）: 0.16777183511743465
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Low performance pixels (LPP) in Computed Tomography (CT) detectors would lead to ring and streak artifacts in the reconstructed images, making them clinically unusable. In recent years, several solutions have been proposed to correct LPP artifacts, either in the image domain or in the sinogram domain using supervised deep learning methods. However, these methods require dedicated datasets for training, which are expensive to collect. Moreover, existing approaches focus solely either on image-space or sinogram-space correction, ignoring the intrinsic correlations from the forward operation of the CT geometry. In this work, we propose an unrolled dual-domain method based on synthetic data to correct LPP artifacts. Specifically, the intrinsic correlations of LPP between the sinogram and image domains are leveraged through synthetic data generated from natural images, enabling the trained model to correct artifacts without requiring any real-world clinical data. In experiments simulating 1-2% detectors defect near the isocenter, the proposed method outperformed the state-of-the-art approaches by a large margin. The results indicate that our solution can correct LPP artifacts without the cost of data collection for model training, and it is adaptable to different scanner settings for software-based applications.
• Abstract（参考訳）: Computed Tomography(CT)検出器の低性能画素(LPP)は、再構成された画像のリングとストリークアーティファクトを誘導し、臨床的に使用不能となる。 近年, 画像領域やシングラム領域において, 教師付き深層学習法を用いてLPPアーチファクトを補正する手法が提案されている。 しかし、これらの方法はトレーニングのために専用のデータセットを必要とするため、収集に費用がかかる。 さらに、既存のアプローチでは、画像空間またはシングラム空間の補正にのみ焦点を合わせ、CT幾何学の前方操作から本質的な相関を無視している。 そこで本研究では,LPPアーティファクトを補正するために,合成データに基づくアンロール二重領域法を提案する。 具体的には, 自然画像から生成した合成データを用いて, サイノグラムと画像領域のLPPの内在的相関を利用して, 実世界の臨床データを必要とせず, 人工物を修正することができる。 アイソセンタ近傍の1-2%の検出器欠陥をシミュレートする実験では,提案手法は最先端の手法よりも大きなマージンで優れていた。 以上の結果から,本ソリューションはモデルトレーニングに要するデータ収集コストを伴わずにLPPアーティファクトの修正が可能であり,ソフトウェアベースアプリケーションの異なるスキャナ設定に適応可能であることが示唆された。

関連論文リスト

• Plug-and-Play Half-Quadratic Splitting for Ptychography [37.92147368117171]
  Ptychographyは、位相検索技術を用いて複雑な画像の再構成を行うコヒーレント回折イメージング法である。 計算量が多く、ノイズに非常に敏感で、特に照明の重なりがある。 本稿では,データ駆動型デノイザを暗黙の先行として統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T16:41:18Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• Multi-stage Deep Learning Artifact Reduction for Pallel-beam Computed Tomography [0.0]
  トモグラフィーパイプライン投影,シノグラム,再構成の各段階で個別のディープラーニングモデルを組み込んで,データ駆動方式で特定のアーティファクトを局所的に処理する手法を提案する。 提案手法は,前段階からの出力と生データを後段に供給するバイパス接続を含み,エラー伝播のリスクを最小限に抑える。
  論文  参考訳（メタデータ） (2023-09-01T14:40:25Z)
• Geometric Constraints Enable Self-Supervised Sinogram Inpainting in Sparse-View Tomography [7.416898042520079]
  スパース角度トモグラフィースキャンは放射線を低減し、データ取得を加速するが、画像のアーチファクトやノイズに悩まされる。 既存の画像処理アルゴリズムはCT再構成の品質を復元することができるが、大きなトレーニングデータセットを必要とする場合が多い。 本研究は、勾配に基づく最適化により、欠落した射影ビューを最適化する自己教師付きプロジェクションインペインティング法を提案する。
  論文  参考訳（メタデータ） (2023-02-13T15:15:18Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Multi-View Object Pose Refinement With Differentiable Renderer [22.040014384283378]
  本稿では,合成データの学習方法の改善に焦点をあてた,新しい多視点6 DoFオブジェクトポーズ改善手法を提案する。 これはDPOD検出器に基づいており、各フレーム内のモデル頂点と画像画素との間の密度の高い2D-3D対応を生成する。 合成および実データに基づいて訓練された最先端の手法と比較して優れた性能を報告した。
  論文  参考訳（メタデータ） (2022-07-06T17:02:22Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。