Fugu-MT 論文翻訳(概要): Towards Diagnostic Quality Flat-Panel Detector CT Imaging Using Diffusion Models

論文の概要: Towards Diagnostic Quality Flat-Panel Detector CT Imaging Using Diffusion Models

arxiv url: http://arxiv.org/abs/2508.16252v1
Date: Fri, 22 Aug 2025 09:35:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-25 16:42:36.339752
Title: Towards Diagnostic Quality Flat-Panel Detector CT Imaging Using Diffusion Models
Title（参考訳）: 拡散モデルを用いた診断品質フラットパネルCTイメージングに向けて
Authors: Hélène Corbaz, Anh Nguyen, Victor Schulze-Zachau, Paul Friedrich, Alicia Durrer, Florentin Bieder, Philippe C. Cattin, Marios N Psychogios,
Abstract要約: 介入室に存在するフラットパネル検出器CT (FDCT) の画質は, 重要なアーティファクトのため, 一般的にMDCTよりもはるかに低い。いくつかの研究は、FDCT画像のみの使用の可能性と、FDCTの介入前および/または介入後の画像を取得することで保存できる時間について評価している。本研究では,FDCTスキャンの画質向上にDDPM(denoising probabilistic diffusion model)を用いることで,MDCTスキャンに匹敵する画像品質を実現することを提案する。
参考スコア（独自算出の注目度）: 4.0611884237320925
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Patients undergoing a mechanical thrombectomy procedure usually have a multi-detector CT (MDCT) scan before and after the intervention. The image quality of the flat panel detector CT (FDCT) present in the intervention room is generally much lower than that of a MDCT due to significant artifacts. However, using only FDCT images could improve patient management as the patient would not need to be moved to the MDCT room. Several studies have evaluated the potential use of FDCT imaging alone and the time that could be saved by acquiring the images before and/or after the intervention only with the FDCT. This study proposes using a denoising diffusion probabilistic model (DDPM) to improve the image quality of FDCT scans, making them comparable to MDCT scans. Clinicans evaluated FDCT, MDCT, and our model's predictions for diagnostic purposes using a questionnaire. The DDPM eliminated most artifacts and improved anatomical visibility without reducing bleeding detection, provided that the input FDCT image quality is not too low. Our code can be found on github.
Abstract（参考訳）: メカニカル血栓摘出術を施行した患者は、通常、介入前後に多検出器CT(MDCT)スキャンを受ける。介入室に存在するフラットパネル検出器CT (FDCT) の画質は, 重要なアーティファクトのため, 一般的にMDCTよりもはるかに低い。しかし,FDCT画像のみを使用することで,患者をMDCT室に移す必要がなくなるため,患者の管理が改善する可能性が示唆された。いくつかの研究は、FDCT画像のみの使用の可能性と、FDCTの介入前および/または介入後の画像を取得することで保存できる時間について評価している。本研究では,拡散確率モデル(DDPM)を用いてFDCTスキャンの画質を向上し,MDCTスキャンに匹敵するものを提案する。臨床医はFDCT,MDCT,および本モデルの診断目的での予測をアンケートを用いて評価した。 DDPMは、入力されたFDCT画像の品質があまり低くないことを条件に、ほとんどのアーティファクトを除去し、出血検出を低減せずに解剖学的視認性を改善した。私たちのコードはgithubで見つけることができます。

関連論文リスト

Clinically-Informed Preprocessing Improves Stroke Segmentation in Low-Resource Settings [0.052118759008482306]
2～9日後にDWIからの注視後病変量を予測するために,入ってくるCT画像を入力として利用する一連のモデルを開発した。提案したパイプラインは、ベースライン前処理でトレーニングされたnnU-Netモデルと比較して、10倍以上のDiceスコアが38%改善される。
論文参考訳（メタデータ） (2025-08-21T23:43:17Z)
JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
論文参考訳（メタデータ） (2025-05-12T23:32:21Z)
Initial Study On Improving Segmentation By Combining Preoperative CT And Intraoperative CBCT Using Synthetic Data [0.21847754147782888]
コーンビームCT(CBCT)は、コンピュータによる介入を促進するために用いられる。高品質の術前スキャンが利用可能であることは、改善の可能性を秘めている。本稿では,CBCTとCTのほぼ一致したスキャンを融合するマルチモーダル学習法を提案する。
論文参考訳（メタデータ） (2024-12-03T09:08:38Z)
From Diagnostic CT to DTI Tractography labels: Using Deep Learning for Corticospinal Tract Injury Assessment and Outcome Prediction in Intracerebral Haemorrhage [1.2180046815010375]
脳卒中後の運動回復には,皮質脊髄路(CST)の保存が重要である。非造影CTは、ほとんどの脳内出血診断パイプラインで日常的に利用可能である。 57%のDice類似度係数でCSTの拡散型トラクトグラフィーマップを再現した。
論文参考訳（メタデータ） (2024-08-12T13:34:26Z)
UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文参考訳（メタデータ） (2023-11-10T02:47:15Z)
Latent Diffusion Model for Medical Image Standardization and Enhancement [11.295078152769559]
DiffusionCTは、異なる非標準分布を標準化形式に変換するスコアベースのDDPMモデルである。このアーキテクチャは、ボトルネック位置に統合されたDDPMモデルにより強化されたU-Netベースのエンコーダデコーダを含む。 DiffusionCTによる画像の標準化の顕著な改善が示唆された。
論文参考訳（メタデータ） (2023-10-08T17:11:14Z)
Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文参考訳（メタデータ） (2023-07-02T05:26:54Z)
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)
Robust Weakly Supervised Learning for COVID-19 Recognition Using Multi-Center CT Images [8.207602203708799]
重症急性呼吸器症候群ウイルス2(SARS-CoV-2)による新型コロナウイルス感染症2019(COVID-19) 異なる病院にあるCTスキャナの様々な技術的仕様のため、CT画像の出現は、多くの自動画像認識アプローチの失敗に繋がる。新型コロナウイルスのCTスキャン認識モデル、すなわち新型コロナウイルス情報融合診断ネットワーク(CIFD-Net)を提案する。本モデルでは,CTスキャン画像の外観の相違を,他の最先端手法と比較して精度が高く,確実かつ効率的に解決することができる。
論文参考訳（メタデータ） (2021-12-09T15:22:03Z)
Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文参考訳（メタデータ） (2020-05-08T03:16:15Z)
Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。