論文の概要: Double-Constraint Diffusion Model with Nuclear Regularization for Ultra-low-dose PET Reconstruction

• arxiv url: http://arxiv.org/abs/2509.00395v1
• Date: Sat, 30 Aug 2025 07:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.213209
• Title: Double-Constraint Diffusion Model with Nuclear Regularization for Ultra-low-dose PET Reconstruction
• Title（参考訳）: 超低用量PET再建のための核正規化を伴う二重拘束拡散モデル
• Authors: Mengxiao Geng, Ran Hong, Bingxuan Li, Qiegen Liu,
• Abstract要約: 超低用量ポジトロン線トモグラフィ(PET)の再建は、患者の放射線被曝を減少させ、検査時間を短縮する重要な可能性を秘めている。 しかし、ノイズが増加し、画像のディテールが低下し、画質が低下する可能性がある。 本稿では、事前学習した拡散モデルの重みを凍結し、訓練可能な二重制約制御器を符号化アーキテクチャに注入する、二重制約拡散モデル(DCDM)を提案する。
• 参考スコア（独自算出の注目度）: 10.462612550456262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-low-dose positron emission tomography (PET) reconstruction holds significant potential for reducing patient radiation exposure and shortening examination times. However, it may also lead to increased noise and reduced imaging detail, which could decrease the image quality. In this study, we present a Double-Constraint Diffusion Model (DCDM), which freezes the weights of a pre-trained diffusion model and injects a trainable double-constraint controller into the encoding architecture, greatly reducing the number of trainable parameters for ultra-low-dose PET reconstruction. Unlike full fine-tuning models, DCDM can adapt to different dose levels without retraining all model parameters, thereby improving reconstruction flexibility. Specifically, the two constraint modules, named the Nuclear Transformer Constraint (NTC) and the Encoding Nexus Constraint (ENC), serve to refine the pre-trained diffusion model. The NTC leverages the nuclear norm as an approximation for matrix rank minimization, integrates the low-rank property into the Transformer architecture, and enables efficient information extraction from low-dose images and conversion into compressed feature representations in the latent space. Subsequently, the ENC utilizes these compressed feature representations to encode and control the pre-trained diffusion model, ultimately obtaining reconstructed PET images in the pixel space. In clinical reconstruction, the compressed feature representations from NTC help select the most suitable ENC for efficient unknown low-dose PET reconstruction. Experiments conducted on the UDPET public dataset and the Clinical dataset demonstrated that DCDM outperforms state-of-the-art methods on known dose reduction factors (DRF) and generalizes well to unknown DRF scenarios, proving valuable even at ultra-low dose levels, such as 1% of the full dose.
• Abstract（参考訳）: 超低用量ポジトロン線トモグラフィ(PET)の再建は、患者の放射線被曝を減少させ、検査時間を短縮する重要な可能性を秘めている。 しかし、ノイズが増加し、画像のディテールが低下し、画質が低下する可能性がある。 本研究では,Double-Constraint Diffusion Model(DCDM)を提案する。Double-Constraint Diffusion Model(DCDM)は,事前学習した拡散モデルの重みを凍結し,トレーニング可能なDouble-Constraintコントローラを符号化アーキテクチャに注入する。 フル微調整モデルとは異なり、DCDMはモデルパラメータを再訓練することなく、異なる線量レベルに適応できるため、再構成の柔軟性が向上する。 具体的には、Nuclear Transformer Constraint (NTC) と Encoding Nexus Constraint (ENC) と名付けられた2つの制約モジュールは、事前訓練された拡散モデルを改善するのに役立つ。 NTCは、行列階数最小化の近似として核ノルムを活用し、低ランク特性をTransformerアーキテクチャに統合し、低線量画像から効率的な情報抽出と、潜在空間における圧縮特徴表現への変換を可能にする。 その後、EMCはこれらの圧縮された特徴表現を用いて事前訓練された拡散モデルを符号化し、制御し、最終的に画素空間で再構成されたPET画像を得る。 NTCの圧縮された特徴表現は、効率的な低用量PET再建のための最も適したEMCを選択するのに役立ちます。 UDPETの公開データセットと臨床データセットで実施された実験では、DCDMは既知の線量減少因子(DRF)の最先端の手法より優れ、未知のDRFシナリオによく対応し、全線量の1%のような超低線量レベルでも有用であることが証明された。

関連論文リスト

• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  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。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• 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)
• PET Image Reconstruction Using Deep Diffusion Image Prior [3.1878756384085936]
  拡散モデルに基づく解剖学的事前誘導PET画像再構成法を提案する。 提案手法は,PET法により誘導される拡散サンプリングとモデル微調整とを交互に行う。 実験結果から,提案するPET再構成法はトレーサー分布とスキャナータイプにまたがって頑健に一般化可能であることがわかった。
  論文  参考訳（メタデータ） (2025-07-20T18:25:29Z)
• Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
  低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。 DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。 本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
  論文  参考訳（メタデータ） (2024-07-01T03:54:43Z)
• Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
  分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。 反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。 その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
  論文  参考訳（メタデータ） (2024-05-27T13:44:53Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• 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)
• PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network [14.381830012670969]
  近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。 これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。 SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2023-10-24T06:43:56Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)

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。