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。
低用量CT(LDCT)イメージングは,患者へのX線放射線量を減らす多くの臨床応用において望ましい。深層学習(DL)に触発されて,LDCTのためのモデルベースの反復再構成(MBIR)法の最近の有望な方向は,最適化-非回転DL-正則化画像再構成を通してあり,そこで事前定義済み画像事前は学習可能なデータ適応によって置き換えられる。しかし,臨床スキャンは走査部位,患者サイズ,および臨床タスクに依存する異なるノイズレベルを有するため,LDCTは臨床的にマルチレベルである。従って,本研究は,異なる雑音レベルのマルチレベルLDCTを扱うことができる適応ハイパーパラメータDLベース画像再構成法(AHP-Net)を開発することを目的とする。AHP-Netは,フレームレットフィルタバンク上に構築される学習可能な画像による半二次分割スキームを失い,様々な雑音レベルに対するハイパーパラメータを自動的に調整するネットワークを学習する。結果として,AHP-Netは,マルチレベルLDCTを扱うことができる単一ユニバーサル訓練モデルを提供する。臨床スキャンを用いた広範な実験的評価は,AHP-Netが,異なるノイズレベルのマルチレベルLDCTのための従来のMBIR技術と最先端の深層学習ベースの方法より優れていることを示唆する。【JST・京大機械翻訳】