論文の概要: AST-n: A Fast Sampling Approach for Low-Dose CT Reconstruction using Diffusion Models

• arxiv url: http://arxiv.org/abs/2508.09943v1
• Date: Wed, 13 Aug 2025 16:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.96651
• Title: AST-n: A Fast Sampling Approach for Low-Dose CT Reconstruction using Diffusion Models
• Title（参考訳）: AST-n:拡散モデルを用いた低用量CTの高速サンプリング手法
• Authors: Tomás de la Sotta, José M. Saavedra, Héctor Henríquez, Violeta Chang, Aline Xavier,
• Abstract要約: AST-nは、中間雑音レベルからの逆拡散を開始する加速推論フレームワークである。 25ステップしか使用しない条件付きモデル(AST-25)は38dB以上のピーク信号対雑音比(PSNR)を達成する。 高次サンプリング器を持つAST-nは、画像の忠実度を著しく損なうことなく、高速LDCT再構成を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-dose CT (LDCT) protocols reduce radiation exposure but increase image noise, compromising diagnostic confidence. Diffusion-based generative models have shown promise for LDCT denoising by learning image priors and performing iterative refinement. In this work, we introduce AST-n, an accelerated inference framework that initiates reverse diffusion from intermediate noise levels, and integrate high-order ODE solvers within conditioned models to further reduce sampling steps. We evaluate two acceleration paradigms--AST-n sampling and standard scheduling with high-order solvers -- on the Low Dose CT Grand Challenge dataset, covering head, abdominal, and chest scans at 10-25 % of standard dose. Conditioned models using only 25 steps (AST-25) achieve peak signal-to-noise ratio (PSNR) above 38 dB and structural similarity index (SSIM) above 0.95, closely matching standard baselines while cutting inference time from ~16 seg to under 1 seg per slice. Unconditional sampling suffers substantial quality loss, underscoring the necessity of conditioning. We also assess DDIM inversion, which yields marginal PSNR gains at the cost of doubling inference time, limiting its clinical practicality. Our results demonstrate that AST-n with high-order samplers enables rapid LDCT reconstruction without significant loss of image fidelity, advancing the feasibility of diffusion-based methods in clinical workflows.
• Abstract（参考訳）: 低線量CT(LDCT)プロトコルは放射線照射を減らすが、画像ノイズを増大させ、診断の信頼性を損なう。 拡散モデルに基づく生成モデルは、画像の事前学習と反復的精錬によってLDCTのノイズ化を約束している。 本研究では,中間雑音レベルから逆拡散を開始する高速化推論フレームワークAST-nを導入し,高次ODEソルバを条件付きモデルに統合し,サンプリングステップをさらに短縮する。 我々は, 頭部, 腹部, 胸部CTを標準線量10～25%でカバーし, 高次CTグランドチャレンジデータセット上で, AST-nサンプリングと高次CTソルバを用いた標準スケジューリングの2つの加速パラダイムを評価した。 25ステップしか使用していない条件付きモデル(AST-25)は、38dB以上のピーク信号-ノイズ比(PSNR)と0.95以上の構造類似度指数(SSIM)を達成し、標準ベースラインと密接に一致し、スライス当たり16セグから1セグ以下の推論時間を短縮する。 非条件サンプリングは相当な品質損失を被り、条件付けの必要性を裏付ける。 また, DDIM の逆転は,PSNR の利得を2倍にし, 臨床実践性を制限している。 以上の結果から,高次サンプリング装置を用いたAST-nは画像の忠実度を損なうことなく高速LDCT再構成が可能であり,臨床ワークフローにおける拡散法の有用性が示唆された。

関連論文リスト

• MAN: Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising [8.912550844312177]
  本稿では,高画質低線量CT画像復調作業のための遅延拡散増強型マルチステージアンチノイズネットワークMANについて紹介する。 提案手法は、知覚的に最適化されたオートエンコーダを介して圧縮された潜在空間で動作する。 本研究は,医用画像の先進的生成モデルに向けた実践的な道筋を示すものである。
  論文  参考訳（メタデータ） (2025-09-28T03:13:39Z)
• PWD: Prior-Guided and Wavelet-Enhanced Diffusion Model for Limited-Angle CT [6.532073662427578]
  LACT再構成のための先行情報埋め込みとウェーブレット特徴融合高速サンプリング拡散モデルを提案する。 PWDは、LACTの再構成忠実性を保ちながら効率的なサンプリングを可能にする。 PWDは50ステップしかサンプリングしないため、PSNRの少なくとも1.7dB改善とSSIMの10%向上を実現している。
  論文  参考訳（メタデータ） (2025-06-30T08:28:32Z)
• Super-Resolution Optical Coherence Tomography Using Diffusion Model-Based Plug-and-Play Priors [6.457037057474951]
  角膜計測から高画質画像の再構成を行うために,プラグアンドプレイ拡散モデル(DM-DM)に基づくOCT超解像フレームワークを提案する。 提案手法は逆問題として定式化され, シャースチェーンモンテカルロサンプリングを併用して効率的な再構成を行う。
  論文  参考訳（メタデータ） (2025-05-20T21:09:26Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [74.32186107058382]
  本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。 SCottは、訓練済みの教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。 安定拡散V1.5教師によるMSCOCO-2017 5Kデータセットでは、SCottは2ステップのサンプリングステップを持つ21.9のFIDを達成し、1ステップのInstaFlow (23.4)と4ステップのUFOGen (22.1)を上回ります。
  論文  参考訳（メタデータ） (2024-03-03T13:08:32Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting [70.83632337581034]
  拡散に基づく画像超解像法(SR)は主に低推論速度によって制限される。 本稿では,SRの拡散段数を大幅に削減する新しい,効率的な拡散モデルを提案する。 本手法は,残差をシフトすることで高分解能画像と低分解能画像の間を移動させるマルコフ連鎖を構成する。
  論文  参考訳（メタデータ） (2023-07-23T15:10:02Z)
• Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
  高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。 本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。 我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• CoreDiff: Contextual Error-Modulated Generalized Diffusion Model for Low-Dose CT Denoising and Generalization [41.64072751889151]
  低線量CT(LDCT)画像は光子飢餓と電子ノイズによりノイズやアーティファクトに悩まされる。 本稿では,低用量CT (LDCT) 用新しいCOntextual eRror-modulated gEneralized Diffusion Model(CoreDiff)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T14:13:13Z)
• Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$ Speedup [8.768546646716771]
  本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。 DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-09-29T23:35:41Z)

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。