AHP-Net:マルチレベル低線量CTのための適応ハイパーパラメータ深層学習ベース画像再構成法【JST・京大機械翻訳】

Ding Qiaoqiao; Nan Yuesong; Gao Hao; Ji Hui

プレプリント

J-GLOBAL ID：202202220743609543 整理番号：21P0043651

AHP-Net:マルチレベル低線量CTのための適応ハイパーパラメータ深層学習ベース画像再構成法【JST・京大機械翻訳】

AHP-Net: adaptive-hyper-parameter deep learning based image reconstruction method for multilevel low-dose CT

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： 2020年08月11日プレプリントサーバーでの情報更新日： 2021年02月17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)

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】

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

医用画像処理

, , , , , ,

前のページに戻る