論文の概要: UniSino: Physics-Driven Foundational Model for Universal CT Sinogram Standardization

• arxiv url: http://arxiv.org/abs/2508.17816v1
• Date: Mon, 25 Aug 2025 09:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.704326
• Title: UniSino: Physics-Driven Foundational Model for Universal CT Sinogram Standardization
• Title（参考訳）: UniSino: ユニバーサルCTシングラム標準化のための物理駆動基礎モデル
• Authors: Xingyu Ai, Shaoyu Wang, Zhiyuan Jia, Ao Xu, Hongming Shan, Jianhua Ma, Qiegen Liu,
• Abstract要約: ユニバーサルCTシングラム標準化の基礎モデルUniSinoを提案する。 UniSinoはプロジェクションドメインでデータを直接標準化し、多様なアンダーサンプリングシナリオをまたいだより強力な一般化を可能にする。 実験結果から,UniSinoは単独および混合アンダーサンプリングの双方で良好な再建品質が得られることが示された。
• 参考スコア（独自算出の注目度）: 28.749900609874945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During raw-data acquisition in CT imaging, diverse factors can degrade the collected sinograms, with undersampling and noise leading to severe artifacts and noise in reconstructed images and compromising diagnostic accuracy. Conventional correction methods rely on manually designed algorithms or fixed empirical parameters, but these approaches often lack generalizability across heterogeneous artifact types. To address these limitations, we propose UniSino, a foundation model for universal CT sinogram standardization. Unlike existing foundational models that operate in image domain, UniSino directly standardizes data in the projection domain, which enables stronger generalization across diverse undersampling scenarios. Its training framework incorporates the physical characteristics of sinograms, enhancing generalization and enabling robust performance across multiple subtasks spanning four benchmark datasets. Experimental results demonstrate thatUniSino achieves superior reconstruction quality both single and mixed undersampling case, demonstrating exceptional robustness and generalization in sinogram enhancement for CT imaging. The code is available at: https://github.com/yqx7150/UniSino.
• Abstract（参考訳）: CT画像の生データ取得において、様々な要因が収集された罪悪感を分解し、アンダーサンプリングとノイズによって再構成された画像の深刻なアーティファクトとノイズが発生し、診断精度が向上する。 従来の補正法は手動設計のアルゴリズムや固定された経験的パラメータに頼っているが、これらの手法は異種人工物の種類にまたがる一般化性に欠けることが多い。 これらの制約に対処するため,ユニバーサルCTシングラム標準化の基礎モデルUniSinoを提案する。 イメージドメインで動作する既存の基礎モデルとは異なり、UniSinoはプロジェクションドメイン内のデータを直接標準化する。 そのトレーニングフレームワークは、シングラムの物理的特性を取り入れ、一般化を強化し、4つのベンチマークデータセットにまたがる複数のサブタスクにわたる堅牢なパフォーマンスを実現する。 実験の結果,UniSinoは単検体と混合検体の両方で良好な再建性を示し,CT画像の高精細化と高精細化を図った。 コードは、https://github.com/yqx7150/UniSinoで入手できる。

関連論文リスト

• Ordered-subsets Multi-diffusion Model for Sparse-view CT Reconstruction [11.453288952345801]
  スパースビューCT再構成のための順序付きサブセット多重拡散モデル(OSMM)を提案する。 OSMMはCTプロジェクションデータを等しいサブセットに分割し、各サブセットから独立して学習するためにマルチサブセット拡散モデル(MSDM)を用いる。 以上の結果から,OSMMは画像品質や雑音耐性の点で従来の拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-15T05:50:35Z)
• Physics-informed DeepCT: Sinogram Wavelet Decomposition Meets Masked Diffusion [9.126628956920904]
  拡散モデルではスパース・ビュー・コンピュート・トモグラフィー(SVCT)の再建に有意な可能性がある。 SVCT再構成のためのSinogram-based Wavelet random decomposition and Random mask diffusion Model (SWARM)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T03:16:15Z)
• SinoSynth: A Physics-based Domain Randomization Approach for Generalizable CBCT Image Enhancement [19.059201978992064]
  Cone Beam Computed Tomography (CBCT) は医学に様々な応用がある。 CBCT画像のノイズやアーティファクトへの感受性は、その有用性と信頼性の両方を損なう。 Sino Synthは、様々なCBCT固有のアーティファクトをシミュレートし、多様なCBCT画像を生成する物理に基づく分解モデルである。
  論文  参考訳（メタデータ） (2024-09-27T00:22:02Z)
• FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
  フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。 スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。 本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
  拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。 本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。 本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T07:24:54Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• Semantic Image Synthesis via Diffusion Models [174.24523061460704]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。 意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)

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。