Fugu-MT 論文翻訳(概要): Noise Controlled CT Super-Resolution with Conditional Diffusion Model

論文の概要: Noise Controlled CT Super-Resolution with Conditional Diffusion Model

arxiv url: http://arxiv.org/abs/2502.09793v1
Date: Thu, 13 Feb 2025 22:03:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-17 14:45:59.540278
Title: Noise Controlled CT Super-Resolution with Conditional Diffusion Model
Title（参考訳）: 条件拡散モデルによるCT超解像のノイズ制御
Authors: Yuang Wang, Siyeop Yoon, Rui Hu, Baihui Yu, Duhgoon Lee, Rajiv Gupta, Li Zhang, Zhiqiang Chen, Dufan Wu,
Abstract要約: 本稿では条件拡散モデルを用いたノイズ制御CT超解像のための革新的なフレームワークを提案する。モデルはハイブリッドデータセットに基づいてトレーニングされ、ノイズマッチングシミュレーションデータと実データからのセグメンテーションされた詳細を組み合わせる。
参考スコア（独自算出の注目度）: 9.04383847938133
License:
Abstract: Improving the spatial resolution of CT images is a meaningful yet challenging task, often accompanied by the issue of noise amplification. This article introduces an innovative framework for noise-controlled CT super-resolution utilizing the conditional diffusion model. The model is trained on hybrid datasets, combining noise-matched simulation data with segmented details from real data. Experimental results with real CT images validate the effectiveness of our proposed framework, showing its potential for practical applications in CT imaging.
Abstract（参考訳）: CT画像の空間分解能を改善することは有意義だが難題であり、しばしばノイズ増幅の問題を伴う。本稿では条件拡散モデルを用いたノイズ制御CT超解像のための革新的なフレームワークを提案する。モデルはハイブリッドデータセットに基づいてトレーニングされ、ノイズマッチングシミュレーションデータと実データからのセグメンテーションされた詳細を組み合わせる。実画像を用いた実験により,提案手法の有効性を検証し,CT画像の実用化の可能性を示した。

関連論文リスト

SinoSynth: A Physics-based Domain Randomization Approach for Generalizable CBCT Image Enhancement [19.059201978992064]
Cone Beam Computed Tomography (CBCT) は医学に様々な応用がある。 CBCT画像のノイズやアーティファクトへの感受性は、その有用性と信頼性の両方を損なう。 Sino Synthは、様々なCBCT固有のアーティファクトをシミュレートし、多様なCBCT画像を生成する物理に基づく分解モデルである。
論文参考訳（メタデータ） (2024-09-27T00:22:02Z)
Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
論文参考訳（メタデータ） (2024-09-19T07:56:06Z)
Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
論文参考訳（メタデータ） (2024-03-19T07:24:54Z)
Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文参考訳（メタデータ） (2023-07-03T06:49:04Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding [7.6849475214826315]
本稿では,医療画像合成のためのDDMM-Synthという新しいフレームワークを提案する。これはMRI誘導拡散モデルと新しいCT計測埋め込み逆サンプリングスキームを組み合わせたものである。特定の臨床応用のための後方CTの投射数を調整することができ、その修正版はノイズのある症例に対して結果を著しく改善することができる。
論文参考訳（メタデータ） (2023-03-28T07:13:11Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)
CTformer: Convolution-free Token2Token Dilated Vision Transformer for Low-dose CT Denoising [11.67382017798666]
低線量CT(LDCT)はCT研究において重要な問題である。視覚変換器は畳み込みニューラルネットワーク(CNN)よりも優れた特徴表現能力を示している低用量CT用コンボリューションフリーToken2Token Dilated Vision Transformerを提案する。
論文参考訳（メタデータ） (2022-02-28T02:58:16Z)
Noise Entangled GAN For Low-Dose CT Simulation [32.3869284562502]
高線量CT画像から低線量CT像をシミュレートするためのノイズエンタングルGAN(NE-GAN)。高線量CT画像からクリーンCT画像とノイズ画像を生成するための2つの手法を提案する。 NE-GANは低線量CT画像の異なるレベルをシミュレートするために提案される。
論文参考訳（メタデータ） (2021-02-18T21:04:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。