論文の概要: SynthRAR: Ring Artifacts Reduction in CT with Unrolled Network and Synthetic Data Training

• arxiv url: http://arxiv.org/abs/2602.11880v1
• Date: Thu, 12 Feb 2026 12:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.805782
• Title: SynthRAR: Ring Artifacts Reduction in CT with Unrolled Network and Synthetic Data Training
• Title（参考訳）: SynthRAR: Unrolled NetworkとSynthetic Data Trainingを用いたCTにおけるリングアーチファクトの削減
• Authors: Hongxu Yang, Levente Lippenszky, Edina Timko, Gopal Avinash,
• Abstract要約: CT検出器の欠陥反応と不整合反応は、再建された画像のリングとストリークアーティファクトを生じさせ、臨床目的には使用できない。 本稿では,非理想的応答と線形前方投影とCT幾何を考慮した非理想的ネットワークを用いた逆問題を提案する。 シングラムと画像領域のリングアーティファクトの内在的相関は、自然画像から得られる合成データによって利用され、実際の臨床データを必要とせずに、トレーニングされたモデルでアーティファクトを修正できる。
• 参考スコア（独自算出の注目度）: 0.17999333451993949
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Defective and inconsistent responses in CT detectors can cause ring and streak artifacts in the reconstructed images, making them unusable for clinical purposes. In recent years, several ring artifact reduction solutions have been proposed in the image domain or in the sinogram domain using supervised deep learning methods. However, these methods require dedicated datasets for training, leading to a high data collection cost. Furthermore, existing approaches focus exclusively on either image-space or sinogram-space correction, neglecting the intrinsic correlations from the forward operation of the CT geometry. Based on the theoretical analysis of non-ideal CT detector responses, the RAR problem is reformulated as an inverse problem by using an unrolled network, which considers non-ideal response together with linear forward-projection with CT geometry. Additionally, the intrinsic correlations of ring artifacts between the sinogram and image domains are leveraged through synthetic data derived from natural images, enabling the trained model to correct artifacts without requiring real-world clinical data. Extensive evaluations on diverse scanning geometries and anatomical regions demonstrate that the model trained on synthetic data consistently outperforms existing state-of-the-art methods.
• Abstract（参考訳）: CT検出器の欠陥反応と不整合反応は、再建された画像のリングとストリークアーティファクトを生じさせ、臨床目的には使用できない。 近年, 画像領域やシノグラム領域において, 教師付き深層学習法を用いて, 輪状アーティファクト削減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、データ収集コストが高い。 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あてており、CT幾何学の前方操作から本質的な相関を無視している。 非理想的CT検出器応答の理論解析に基づいて、RAR問題は、非理想的応答とCT幾何学との線形前方投影を考慮に入れたアンロールネットワークを用いて逆問題として再構成される。 また、シングラムと画像領域のリングアーティファクトの内在的相関は、自然画像から得られる合成データによって活用され、実際の臨床データを必要とせずに、トレーニングされたモデルでアーティファクトを修正できる。 多様な走査測地および解剖学的領域に対する広範囲な評価は、合成データに基づいて訓練されたモデルは、既存の最先端の手法よりも一貫して優れていることを示している。

関連論文リスト

• Low performing pixel correction in computed tomography with unrolled network and synthetic data training [0.16777183511743465]
  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。
  論文  参考訳（メタデータ） (2026-01-28T19:46:30Z)
• 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)
• Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
  深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。 これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。 これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。 我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
  論文  参考訳（メタデータ） (2023-07-02T11:09:08Z)
• 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)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。