抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
オブジェクトを通した限られた投影集合からのCT画像の再構成は,医用イメージングから工業設定までのいくつかの応用において重要である。利用可能な投影数が減少するので,FDKアルゴリズムやモデルベースの反復再構成法のような従来の再構成技術は,あまり機能しない。最近,深い学習ベースの再構成のようなデータ駆動法は,十分な訓練データが利用できるとき,より良い性能をもたらすので,アプリケーションにおいて多くの注目を浴びている。しかし,これらの方法でさえ,利用可能な訓練データの不足があるとき,それらの限界がある。本研究は,このような設定における画像再構成,即ち,利用可能なCT投影の数と訓練データの両者が極めて制限される場合に焦点を当てた。著者らは,各段階におけるデータ-一貫性更新に続く「destreking」のための敵対的に訓練された浅いネットワークを用いて,いくつかの段階にわたる逐次再構成アプローチを採用した。限られたデータの課題に対処するために,画像サブボリュームを用いて,この方法を訓練し,試験中のパッチ凝集を訓練した。3D再構成のための3Dデータセットに関する学習の計算課題に対処するために,著者らは「destreking」部分のためにハイブリッド3DツーDマッピングネットワークを使用した。いくつかの試験例に対する他の方法との比較は,投影数と利用可能な訓練データの両方が非常に制限されるとき,提案方法が多くの可能性を有することを示した。【JST・京大機械翻訳】