Low-Dose CT Reconstruction Using Deep Generative Regularization Prior
원문 초록
Low-dose CT imaging requires reconstruction from noisy indirect measurements which can be defined as an ill-posed linear inverse problem. In addition to conventional FBP method in CT imaging, recent compressed sensing based methods exploit handcrafted priors which are mostly simplistic and hard to determine. More recently, deep learning (DL) based methods have become popular in medical imaging field. In CT imaging, DL based methods try to learn a function that maps low-dose images to normal-dose images. Although the results of these methods are promising, their success mostly depends on the availability of high-quality massive datasets. In this study, we proposed a method that does not require any training data or a learning process. Our method exploits such an approach that deep convolutional neural networks (CNNs) generate patterns easier than the noise, therefore randomly initialized generative neural networks can be suitable priors to be used in regularizing the reconstruction. In the experiments, the proposed method is implemented with different loss function variants. Both analytical CT phantoms and real-world CT images are used with different views. Conventional FBP method, a popular iterative method (SART), and TV regularized SART are used in the comparisons. We demonstrated that our method with different loss function variants outperforms the other methods both qualitatively and quantitatively.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
구조 인식 희소 시점 X선 3D 재구성
Structure-Aware Sparse-View X-ray 3D Reconstruction
물체의 내부 구조를 드러내는 능력으로 알려진 X선은 가시광선보다 3D 재구성에 더 풍부한 정보를 제공할 것으로 기대된다. 그러나 기존의 신경 방사 필드(NeRF) 알고리즘은 X선의 이러한 중요한 특성을 간과하여, 촬영된 물체의 구조적 내용을 포착하는 데 한계가 있다. 본 논문에서는 희소 시점 X선 3D 재구성을 위한 프레임워크인 구조 인식 X선 신경 방사밀도 필드(SAX-NeRF)를 제안한다. 첫째, SAX-NeRF의 백본으로 선분 기반 트랜스포머(Lineformer)를 설계한다. Lineformer는 X선의 각 선분 내 의존성을 모델링하여 3D 공간에서 물체의 내부 구조를 포착한다. 둘째, 2D 투영에서 맥락 정보와 기하 정보를 추출하기 위한 마스크 기반 로컬-글로벌(MLG) 레이 샘플링 전략을 제시한다. 아울러 더 넓은 X선 응용을 포괄하는 더 큰 규모의 데이터셋 X3D를 수집하였다. X3D에서의 실험 결과 SAX-NeRF는 새로운 시점 합성과 CT 재구성에서 기존 NeRF 기반 방법보다 각각 12.56 dB, 2.49 dB 높은 성능을 보인다. 코드, 모델, 데이터는 https://github.com/caiyuanhao1998/SAX-NeRF 에 공개되어 있다. 프로젝트 페이지 https://caiyuanhao1998.github.io/project/SAX-NeRF/ 에서 더 많은 영상과 대화형 결과를 볼 수 있다. 온라인 Gradio 데모는 HuggingFace의 https://huggingface.co/spaces/CaiYuanhao/SAX-NeRF 에서 이용할 수 있다.
효율적인 X선 새로운 시점 합성을 위한 방사형 가우시안 스플래팅
Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis
X선은 자연광보다 투과력이 강해 투과 영상에 널리 사용된다. 새로운 시점의 X선 투영을 렌더링할 때, NeRF에 주로 기반한 기존 방법은 긴 학습 시간과 느린 추론 속도라는 문제를 겪는다. 본 논문에서는 X선 3D 재구성을 위한 3D 가우시안 스플래팅 기반 방법인 X-Gaussian을 제안한다. 첫째, X선 영상의 등방성에서 착안하여 방사형 가우시안 포인트 클라우드 모델을 재설계한다. 이 모델은 3D 점의 방사 강도를 예측하도록 학습할 때 시점 방향의 영향을 배제한다. 이 모델을 바탕으로 CUDA로 구현한 미분 가능 방사형 래스터화(DRR)를 개발한다. 둘째, 원래의 방사형 점 속성으로부터 연속적인 감쇠 장을 정의하고 CUDA 기반 병렬 질의를 통해 CT 볼륨을 직접 재구성할 수 있게 하는 원리에 기반한 방사형 가우시안 볼륨 질의(RGVQ) 방법을 정립한다. 셋째, X선 스캐너의 파라미터를 직접 사용하여 카메라 정보를 계산하고 스캔 대상을 둘러싸는 직육면체 내에서 점 위치를 균일하게 샘플링하는 각도-자세 직육면체 균일 초기화(ACUI) 전략을 맞춤 설계한다. 새로운 시점 합성에서 X-Gaussian은 15% 미만의 학습 시간과 73배 이상의 추론 속도를 누리면서 SOTA 방법보다 6.5 dB 높은 성능을 보인다. CT 재구성에서는 합성 장면과 실제 장면에서 각각 SOTA 방법보다 0.40 dB, 4.34 dB 높은 성능을 보이며, 학습된 CT 볼륨의 추론은 4.30배 빠르다. 코드, 모델, 데이터셋은 https://github.com/caiyuanhao1998/X-Gaussian 에서 제공한다. 더 많은 영상과 대화형 시각화는 프로젝트 페이지 https://caiyuanhao1998.github.io/project/X-Gaussian 에서 볼 수 있다. 또한 HuggingFace의 https://huggingface.co/spaces/CaiYuanhao/X-Gaussian 에 온라인 Gradio 데모 페이지를 구축하였다.
Gibbs 무작위성-압축 명제
Gibbs randomness-compression proposition
손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.
X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography
Cross-organ all-in-one parallel compressed sensing magnetic resonance imaging
Convergent Complex Quasi-Newton Proximal Methods for Gradient-Driven Denoisers in Compressed Sensing MRI Reconstruction
토론
이 논문과 연결된 포럼 글이 아직 없습니다.