文献

J-GLOBAL ID：202202237709942682   整理番号：22A1087076

低線量CTサイノグラム回復のためのノイズ生成メカニズム駆動教師なし学習【JST・京大機械翻訳】

Noise-Generating-Mechanism-Driven Unsupervised Learning for Low-Dose CT Sinogram Recovery

著者 (12件)： Zeng Dong (College of Automation Science and Engineering, South China University of Technology, Guangzhou, China) ,  Wang Lei (School of Biomedical Engineering, Southern Medical University, Guangzhou, China) ,  Geng Mingrui (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Li Sui (School of Biomedical Engineering, Southern Medical University, Guangzhou, China) ,  Deng Yun (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Xie Qi (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Li Danyang (School of Biomedical Engineering, Southern Medical University, Guangzhou, China) ,  Zhang Hua (School of Biomedical Engineering, Southern Medical University, Guangzhou, China) ,  Li Yuanqing (College of Automation Science and Engineering, South China University of Technology, Guangzhou, China) ,  Xu Zongben (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Meng Deyu (Faculty of Information Technology, Macau University of Science and Technology, Taipa, Macau) ,  Ma Jianhua (Distributed Medical Imaging Center, Guangdong Artificial Intelligence and Digital Economy Laboratory (Guangzhou), Guangzhou, China)
資料名： IEEE Transactions on Radiation and Plasma Medical Sciences  (IEEE Transactions on Radiation and Plasma Medical Sciences)
巻： 6  号： 4  ページ： 404-414  発行年： 2022年 
JST資料番号： W2475A  ISSN： 2469-7311  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層学習(DL)技術は,コンピュータ断層撮影(CT)イメージング分野における成功した応用を促進し,顕著な成果を得た。ほとんどの技術は,多数の低線量/高線量CT画像ペアの事前収集と,教師つきエンドツーエンドへのネットワークの訓練を必要とする。しかし,そのような教師つき学習方法にはいくつかの明白な限界がある。1)十分な訓練サンプル対を得ることは時間集約的であり,低線量CT画像は患者への放射線曝露による高用量画像から通常シミュレートされる。さらに,よく登録されているデータペアを得るのは困難であり,特にトソ領域に対しては,ほとんどの現在の方法は,ラベルなし低線量CT画像における豊富な情報を利用することができず,それは容易に得られる。本研究では,雑音発生機構駆動教師なしDLネットワーク(Un-SinoNet)による低線量CTシノグラム回復のための新しい方法を開発し,ここでは,ラベル無し低線量CTシノグラムをネットワーク訓練に登録した。提案したUn-SinoNetは,CT測定の雑音発生メカニズムにおける統計的変動と,最大事後確率(MAP)フレームワークの下でのその事前特性を考慮し,次に,純粋に教師なし方法で,低線量CTシノグラムの適切な勾配を学習する。特に,ラベル付き高線量CTシノグラムと類似して,ラベルなしCTシノグラムにおける勾配情報は効率的なネットワーク訓練に使用できる。さらに,いくつかの低線量/高線量シノグラムペアで,提案したUn-SinoNetは,従来の目的関数とMAP目的関数を結合することによって,半教師つきDLネットワーク(Semi-SinoNet)に拡張できる。提案したUn-SinoNetとSemi-SinoNetをLUNGMANファントムにより検証し,Mayo Clinic患者データセットをシミュレートした。2つの方法で,本研究は,競合する方法より,より良い画像分解能とノイズ除去効果を達成し,そして,提示した半SinoNetは,教師つきDLネットワークと比較して,類似またはより良い性能を生み出す。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  ネットワーク ,  画像処理 ,  教師つき学習 ,  *放射線量 ,  エンドツーエンド方式 ,  ファントム ,  *測定データ ,  目的関数 ,  雑音低減 ,  断層画像 ,  *X線CT ,  機械学習
準シソーラス用語： 最大事後確率 ,  CT画像 ,  *サイノグラム ,  *低線量CT ,  *低線量 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 低線量CT ,  サイノグラム ,  回復 ,  ノイズ ,  生成メカニズム ,  教師なし学習