論文の概要: FD-DiT: Frequency Domain-Directed Diffusion Transformer for Low-Dose CT Reconstruction

• arxiv url: http://arxiv.org/abs/2506.23466v1
• Date: Mon, 30 Jun 2025 02:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.891233
• Title: FD-DiT: Frequency Domain-Directed Diffusion Transformer for Low-Dose CT Reconstruction
• Title（参考訳）: FD-DiT低線量CT再構成のための周波数領域指向拡散変換器
• Authors: Qiqing Liu, Guoquan Wei, Zekun Zhou, Yiyang Wen, Liu Shi, Qiegen Liu,
• Abstract要約: 低線量CT(LDCT)は、放射線被曝を減らすが、画像のアーチファクトや、量子および電子ノイズによる詳細の喪失に悩まされる。 FD-DiTは、分布がLDCTデータと統計的に一致するまで、ノイズを徐々に導入する拡散戦略に重点を置いている。 次に、ハイブリッドな復調ネットワークを使用して、全体のデータ再構成プロセスを最適化する。 FD-DiTにより再構成されたLDCT画像は,同じ線量レベルでは,最先端の手法に比べて優れたノイズ抑制とアーチファクト抑制を示すことが示された。
• 参考スコア（独自算出の注目度）: 3.980622332603746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-dose computed tomography (LDCT) reduces radiation exposure but suffers from image artifacts and loss of detail due to quantum and electronic noise, potentially impacting diagnostic accuracy. Transformer combined with diffusion models has been a promising approach for image generation. Nevertheless, existing methods exhibit limitations in preserving finegrained image details. To address this issue, frequency domain-directed diffusion transformer (FD-DiT) is proposed for LDCT reconstruction. FD-DiT centers on a diffusion strategy that progressively introduces noise until the distribution statistically aligns with that of LDCT data, followed by denoising processing. Furthermore, we employ a frequency decoupling technique to concentrate noise primarily in high-frequency domain, thereby facilitating effective capture of essential anatomical structures and fine details. A hybrid denoising network is then utilized to optimize the overall data reconstruction process. To enhance the capability in recognizing high-frequency noise, we incorporate sliding sparse local attention to leverage the sparsity and locality of shallow-layer information, propagating them via skip connections for improving feature representation. Finally, we propose a learnable dynamic fusion strategy for optimal component integration. Experimental results demonstrate that at identical dose levels, LDCT images reconstructed by FD-DiT exhibit superior noise and artifact suppression compared to state-of-the-art methods.
• Abstract（参考訳）: 低線量CT(LDCT)は放射線被曝を減少させるが、画像のアーチファクトや量子ノイズや電子ノイズによる詳細さの喪失に悩まされ、診断精度に影響を及ぼす可能性がある。 拡散モデルと組み合わせた変換器は、画像生成に有望なアプローチである。 それでも既存の手法では微細な画像の保存に限界がある。 LDCT再構成において,周波数領域指向拡散変換器(FD-DiT)を提案する。 FD-DiTは、分布がLDCTデータと統計的に一致するまで、ノイズを徐々に導入する拡散戦略に重点を置いている。 さらに、周波数分離技術を用いて、主に高周波領域にノイズを集中させ、本質的な解剖学的構造と細部を効果的に捕捉する。 次に、ハイブリッドな復調ネットワークを使用して、全体のデータ再構成プロセスを最適化する。 高周波雑音の認識能力を高めるため,浅層情報の空間性と局所性を活用し,特徴表現を改善するためにスキップ接続を介して伝搬する。 最後に、最適なコンポーネント統合のための学習可能な動的融合戦略を提案する。 FD-DiTにより再構成されたLDCT画像は,同じ線量レベルでは,最先端の手法に比べて優れたノイズ抑制とアーチファクト抑制を示すことが示された。

関連論文リスト

• Noise-Inspired Diffusion Model for Generalizable Low-Dose CT Reconstruction [37.71732274622662]
  そこで本研究では,各領域の雑音特性に対する拡散モデルの調整を行うNEEDと呼ばれる,一般化可能な低線量CT再構成のためのノイズインスピレーション拡散モデルを提案する。 これら2つの拡散モデルを二重ドメイン再構成のためにカスケードすることで、NEEDはトレーニングに通常用量データしか必要とせず、テスト中に様々な未確認量レベルに効果的に拡張できる。
  論文  参考訳（メタデータ） (2025-06-27T08:24:55Z)
• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Ultrasound Image Enhancement with the Variance of Diffusion Models [7.360352432782388]
  超音波画像の強調にはコントラスト、解像度、スペックル保存の微妙なバランスが必要である。 本稿では,適応ビームフォーミングと拡散型分散イメージングを併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T17:29:33Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
  超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。 我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。 Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
  論文  参考訳（メタデータ） (2024-08-07T09:52:30Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• 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)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)

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。