論文の概要: FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2508.17299v1
• Date: Sun, 24 Aug 2025 11:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.45356
• Title: FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising
• Title（参考訳）: FoundDiff: 一般化可能な低線量CT用基礎拡散モデル
• Authors: Zhihao Chen, Qi Gao, Zilong Li, Junping Zhang, Yi Zhang, Jun Zhao, Hongming Shan,
• Abstract要約: 本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
• 参考スコア（独自算出の注目度）: 55.04342933312839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-dose computed tomography (CT) denoising is crucial for reduced radiation exposure while ensuring diagnostically acceptable image quality. Despite significant advancements driven by deep learning (DL) in recent years, existing DL-based methods, typically trained on a specific dose level and anatomical region, struggle to handle diverse noise characteristics and anatomical heterogeneity during varied scanning conditions, limiting their generalizability and robustness in clinical scenarios. In this paper, we propose FoundDiff, a foundational diffusion model for unified and generalizable LDCT denoising across various dose levels and anatomical regions. FoundDiff employs a two-stage strategy: (i) dose-anatomy perception and (ii) adaptive denoising. First, we develop a dose- and anatomy-aware contrastive language image pre-training model (DA-CLIP) to achieve robust dose and anatomy perception by leveraging specialized contrastive learning strategies to learn continuous representations that quantify ordinal dose variations and identify salient anatomical regions. Second, we design a dose- and anatomy-aware diffusion model (DA-Diff) to perform adaptive and generalizable denoising by synergistically integrating the learned dose and anatomy embeddings from DACLIP into diffusion process via a novel dose and anatomy conditional block (DACB) based on Mamba. Extensive experiments on two public LDCT datasets encompassing eight dose levels and three anatomical regions demonstrate superior denoising performance of FoundDiff over existing state-of-the-art methods and the remarkable generalization to unseen dose levels. The codes and models are available at https://github.com/hao1635/FoundDiff.
• Abstract（参考訳）: 低線量CT(low-Dose Computed Tomography)は,診断上許容される画質を確保しつつ放射線照射を減らすために重要である。 近年の深層学習(DL)による顕著な進歩にもかかわらず、既存のDLベースの手法は、通常特定の用量レベルと解剖学的領域で訓練されるが、様々な走査条件下で様々なノイズ特性と解剖学的不均一性を扱うのに苦労し、臨床シナリオにおけるその一般化性と堅牢性を制限する。 本稿では,様々な線量レベルと解剖学的領域にまたがる統合および一般化可能なLDCTの基盤拡散モデルであるFoundDiffを提案する。 FoundDiffは2段階の戦略を採用している。 一 用量解剖学的知覚及び (ii)適応型 denoising。 まず,線量変化を定量化し,局所的な解剖領域を同定する連続表現を学習するために,専門的コントラスト学習戦略を活用することにより,堅牢な線量および解剖学的認識を実現するための線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に, DACLIPからの学習用量および解剖学的埋め込みを, マンバをベースとした新しい用量および解剖学的条件ブロック(DACB)を介して拡散過程に相乗的に統合することにより, 適応的および一般化可能な復調を行うための線量及び解剖学的拡散モデル(DA-Diff)を設計する。 8つの線量レベルと3つの解剖学的領域を含む2つの公共LDCTデータセットに対する広範囲な実験は、既存の最先端手法よりもFoundDiffの遮音性能が優れており、目立たない線量レベルへの顕著な一般化を示している。 コードとモデルはhttps://github.com/hao1635/FoundDiff.comで公開されている。

関連論文リスト

• Anatomy-Aware Low-Dose CT Denoising via Pretrained Vision Models and Semantic-Guided Contrastive Learning [12.975922919920393]
  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。
  論文  参考訳（メタデータ） (2025-08-11T09:17:12Z)
• 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)
• Fed-NDIF: A Noise-Embedded Federated Diffusion Model For Low-Count Whole-Body PET Denoising [16.937074760667745]
  LCPET (low-count positron emission tomography) は、患者の放射線曝露を減少させるが、画像ノイズの増加と病変検出性の低下に悩まされることが多い。 拡散モデルでは、劣化した画像の品質を回復するLCPET復調が期待できる。 本稿では,これらの課題に対処するために,新しいノイズ埋め込み型フェデレート学習拡散モデル(Fed-NDIF)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T18:37:46Z)
• Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details [0.0]
  マルチセンター・ニューロイメージング研究は、サイト間のバッチ差による技術的変動に直面している。 GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための重要な手法である。 我々は神経画像調和のための拡散モデルの有効性を評価した。
  論文  参考訳（メタデータ） (2024-09-01T18:54:00Z)
• 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)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。