論文の概要: Ordered-subsets Multi-diffusion Model for Sparse-view CT Reconstruction

• arxiv url: http://arxiv.org/abs/2505.09985v1
• Date: Thu, 15 May 2025 05:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.196647
• Title: Ordered-subsets Multi-diffusion Model for Sparse-view CT Reconstruction
• Title（参考訳）: スパースビューCT再構成のための順序付きサブセット多重拡散モデル
• Authors: Pengfei Yu, Bin Huang, Minghui Zhang, Weiwen Wu, Shaoyu Wang, Qiegen Liu,
• Abstract要約: スパースビューCT再構成のための順序付きサブセット多重拡散モデル(OSMM)を提案する。 OSMMはCTプロジェクションデータを等しいサブセットに分割し、各サブセットから独立して学習するためにマルチサブセット拡散モデル(MSDM)を用いる。 以上の結果から,OSMMは画像品質や雑音耐性の点で従来の拡散モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 11.453288952345801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score-based diffusion models have shown significant promise in the field of sparse-view CT reconstruction. However, the projection dataset is large and riddled with redundancy. Consequently, applying the diffusion model to unprocessed data results in lower learning effectiveness and higher learning difficulty, frequently leading to reconstructed images that lack fine details. To address these issues, we propose the ordered-subsets multi-diffusion model (OSMM) for sparse-view CT reconstruction. The OSMM innovatively divides the CT projection data into equal subsets and employs multi-subsets diffusion model (MSDM) to learn from each subset independently. This targeted learning approach reduces complexity and enhances the reconstruction of fine details. Furthermore, the integration of one-whole diffusion model (OWDM) with complete sinogram data acts as a global information constraint, which can reduce the possibility of generating erroneous or inconsistent sinogram information. Moreover, the OSMM's unsupervised learning framework provides strong robustness and generalizability, adapting seamlessly to varying sparsity levels of CT sinograms. This ensures consistent and reliable performance across different clinical scenarios. Experimental results demonstrate that OSMM outperforms traditional diffusion models in terms of image quality and noise resilience, offering a powerful and versatile solution for advanced CT imaging in sparse-view scenarios.
• Abstract（参考訳）: スコアベース拡散モデルでは、スパースビューCT再構成の分野で大きな可能性を示している。 しかし、プロジェクションデータセットは巨大であり、冗長性に悩まされている。 その結果,非処理データへの拡散モデルの適用により,学習効率が低下し,学習の難しさが増し,細部を欠いた画像の再構成が頻繁に行われるようになった。 これらの課題に対処するために, スパースビューCT再構成のための順序付きサブセット多重拡散モデル (OSMM) を提案する。 OSMMは革新的にCTプロジェクションデータを等しいサブセットに分割し、各サブセットから独立して学習するためにマルチサブセット拡散モデル(MSDM)を用いる。 このターゲット学習アプローチは複雑さを減らし、細部を再構築する。 さらに,一括拡散モデル(OWDM)と完全シングラムデータの統合は,グローバルな情報制約として機能し,誤あるいは矛盾したシングラム情報を生成する可能性を低減する。 さらに、OSMMの教師なし学習フレームワークは、強い堅牢性と一般化性を提供し、様々なCTシングラムの空間レベルにシームレスに適応する。 これにより、さまざまな臨床シナリオで一貫した信頼性のあるパフォーマンスが保証される。 実験結果から,OSMMは画像品質と雑音耐性の点で従来の拡散モデルよりも優れており,スパースビューのシナリオにおいて,高度なCTイメージングのための強力で汎用的なソリューションを提供することが示された。

関連論文リスト

• Physics-informed DeepCT: Sinogram Wavelet Decomposition Meets Masked Diffusion [9.126628956920904]
  拡散モデルではスパース・ビュー・コンピュート・トモグラフィー(SVCT)の再建に有意な可能性がある。 SVCT再構成のためのSinogram-based Wavelet random decomposition and Random mask diffusion Model (SWARM)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T03:16:15Z)
• CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
  Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:06:15Z)
• MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
  マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。 提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。 プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
  論文  参考訳（メタデータ） (2024-05-09T14:52:32Z)
• TC-DiffRecon: Texture coordination MRI reconstruction method based on diffusion model and modified MF-UNet method [2.626378252978696]
  本稿では,T-DiffReconという名前の拡散モデルに基づくMRI再構成法を提案する。 また、モデルにより生成されたMRI画像の品質を高めるために、MF-UNetモジュールを組み込むことを提案する。
  論文  参考訳（メタデータ） (2024-02-17T13:09:00Z)
• 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)
• 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)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。