論文の概要: Anatomy-Aware Low-Dose CT Denoising via Pretrained Vision Models and Semantic-Guided Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.07788v1
• Date: Mon, 11 Aug 2025 09:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.026035
• Title: Anatomy-Aware Low-Dose CT Denoising via Pretrained Vision Models and Semantic-Guided Contrastive Learning
• Title（参考訳）: 事前学習型視覚モデルとセマンティックガイド型コントラスト学習による解剖学的低線量CT診断
• Authors: Runze Wang, Zeli Chen, Zhiyun Song, Wei Fang, Jiajin Zhang, Danyang Tu, Yuxing Tang, Minfeng Xu, Xianghua Ye, Le Lu, Dakai Jin,
• Abstract要約: ALDENは、事前学習された視覚モデルの意味的特徴と、敵対的かつ対照的な学習を統合する解剖学的認識型LDCT復号法である。 具体的には、解剖学的に認識された識別器を導入し、参照正常線量CT(NDCT)からの階層的意味的特徴を、クロスアテンション機構を介して動的に融合させる。 さらに, LDCT, denoized CT, NDCTのPVM由来の特徴を対比し, 正のペアによる組織特異的パターンの保存, 二重の負のペアによるアーティファクトの抑制により, 解剖学的一貫性を強制する意味誘導型コントラスト学習モジュールを提案する。
• 参考スコア（独自算出の注目度）: 12.975922919920393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To reduce radiation exposure and improve the diagnostic efficacy of low-dose computed tomography (LDCT), numerous deep learning-based denoising methods have been developed to mitigate noise and artifacts. However, most of these approaches ignore the anatomical semantics of human tissues, which may potentially result in suboptimal denoising outcomes. To address this problem, we propose ALDEN, an anatomy-aware LDCT denoising method that integrates semantic features of pretrained vision models (PVMs) with adversarial and contrastive learning. Specifically, we introduce an anatomy-aware discriminator that dynamically fuses hierarchical semantic features from reference normal-dose CT (NDCT) via cross-attention mechanisms, enabling tissue-specific realism evaluation in the discriminator. In addition, we propose a semantic-guided contrastive learning module that enforces anatomical consistency by contrasting PVM-derived features from LDCT, denoised CT and NDCT, preserving tissue-specific patterns through positive pairs and suppressing artifacts via dual negative pairs. Extensive experiments conducted on two LDCT denoising datasets reveal that ALDEN achieves the state-of-the-art performance, offering superior anatomy preservation and substantially reducing over-smoothing issue of previous work. Further validation on a downstream multi-organ segmentation task (encompassing 117 anatomical structures) affirms the model's ability to maintain anatomical awareness.
• Abstract（参考訳）: 低線量CT (LDCT) の放射線被曝低減と診断効率の向上を目的として, ノイズやアーティファクトを緩和する深層学習法が多数開発されている。 しかし、これらのアプローチのほとんどはヒトの組織の解剖学的意味を無視しており、それはおそらく極端に偏執的な結果をもたらす可能性がある。 この問題に対処するために,事前学習された視覚モデル(PVM)のセマンティックな特徴と,敵対的かつコントラスト的な学習を統合する,解剖学的に認識されたLDCT復調法であるALDENを提案する。 具体的には、組織特異的な現実性評価を可能にする解剖学的識別器を導入し、正常線量CT(NDCT)の階層的特徴を動的に融合させる。 さらに, LDCT, denoized CT, NDCTのPVM由来の特徴を対比し, 正のペアによる組織特異的パターンの保存, 二重の負のペアによるアーティファクトの抑制により, 解剖学的一貫性を強制する意味誘導型コントラスト学習モジュールを提案する。 2つのLDCT復調データセットで実施された大規模な実験により、ALDENは最先端のパフォーマンスを達成し、優れた解剖学的保存を提供し、以前の研究の過度な問題を大幅に軽減することが明らかになった。 下流のマルチ組織セグメンテーションタスク(解剖学的構造を117個導入)に対するさらなる検証は、解剖学的認識を維持するモデルの能力を確認する。

関連論文リスト

• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Self-supervised OCT Image Denoising with Slice-to-Slice Registration and Reconstruction [5.972377737617966]
  構造保存ノイズ低減のための学習に基づく自己教師手法は,従来の手法よりも優れた性能を示した。 我々は,OCT画像復調に適したエンドツーエンドの自己教師型学習フレームワークを新たに導入する。
  論文  参考訳（メタデータ） (2023-11-26T02:45:16Z)
• ASCON: Anatomy-aware Supervised Contrastive Learning Framework for Low-dose CT Denoising [23.274928463320986]
  我々は,低用量CTにおける解剖学的意味論を探求するために,ASCONと呼ばれる新しい解剖学的適応型コントラスト学習フレームワークを提案する。 当科における低用量CTの解剖学的解釈性について検討した。
  論文  参考訳（メタデータ） (2023-07-23T04:36:05Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• 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)
• Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
  CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。 放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。 現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。 我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
  論文  参考訳（メタデータ） (2022-11-01T20:58:50Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)

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。