A Realistic Collimated X-Ray Image Simulation Pipeline

要約

X 線システムでは、線源に対する検出器の位置に関する情報が信頼できない、または入手できないため、コリメータ検出は依然として困難な作業です。
この論文では、X 線画像内のコリメータの影の特性をシミュレートするための、物理的動機に基づいた画像処理パイプラインを紹介します。
このパイプラインは、コリメータの形状と位置に対してランダム化されたラベルを生成し、散乱放射線シミュレーションを組み込み、ポアソン ノイズを含めることにより、ディープ ニューラル ネットワークをトレーニングするための限られたデータセットを拡張できます。
実際のコリメータの影との定性的および定量的な比較により、提案されたパイプラインを検証します。
さらに、深層学習フレームワーク内でシミュレートされたデータを利用すると、実際のコリメータの適切な代替として機能するだけでなく、実世界のデータに適用した場合の汎化パフォーマンスも向上することが実証されています。

要約(オリジナル)

Collimator detection remains a challenging task in X-ray systems with unreliable or non-available information about the detectors position relative to the source. This paper presents a physically motivated image processing pipeline for simulating the characteristics of collimator shadows in X-ray images. By generating randomized labels for collimator shapes and locations, incorporating scattered radiation simulation, and including Poisson noise, the pipeline enables the expansion of limited datasets for training deep neural networks. We validate the proposed pipeline by a qualitative and quantitative comparison against real collimator shadows. Furthermore, it is demonstrated that utilizing simulated data within our deep learning framework not only serves as a suitable substitute for actual collimators but also enhances the generalization performance when applied to real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google