低線量コンピュータ断層撮影のための物理/モデルベースおよびデータ駆動法:調査【JST・京大機械翻訳】

Xia Wenjun; Shan Hongming; Wang Ge; Zhang Yi

プレプリント

J-GLOBAL ID：202202219922438257 整理番号：22P0312375

低線量コンピュータ断層撮影のための物理/モデルベースおよびデータ駆動法:調査【JST・京大機械翻訳】

Physics-/Model-Based and Data-Driven Methods for Low-Dose Computed Tomography: A survey

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2023年03月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

2016年以降,深い学習(DL)は,特に低線量コンピュータ断層撮影(LDCT)イメージングにおいて,顕著な成功を伴う高度なトモグラフィイメージングを有する。大きいデータによって駆動されるにもかかわらず,LDCT雑音除去と純粋なエンドツーエンド再構成ネットワークは,しばしばブラックボックスの性質と不安定性のような主要な課題に悩まされ,それは,低線量CT応用における深層学習法を適用するための主要な障壁である。新たな傾向は,物理/モデルベースとデータ駆動要素のハイブリッド化を可能にする,画像物理学とモデルを深いネットワークに統合することである。%のハイブリッド法は,ますます影響している。本論文では,LDCTのための物理/モデルベースデータ駆動法を系統的にレビューし,損失関数と訓練戦略をまとめ,異なる方法の性能を評価し,関連する問題と将来の方向を論じた。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

医用画像処理

, , , , ,

前のページに戻る