論文の概要: Ultrafast Deep Learning-Based Scatter Estimation in Cone-Beam Computed Tomography

• arxiv url: http://arxiv.org/abs/2509.08973v1
• Date: Wed, 10 Sep 2025 20:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.13428
• Title: Ultrafast Deep Learning-Based Scatter Estimation in Cone-Beam Computed Tomography
• Title（参考訳）: コーンビームCTにおける超高速ディープラーニングに基づく散乱推定
• Authors: Harshit Agrawal, Ari Hietanen, Simo Särkkä,
• Abstract要約: 散乱アーティファクトは、コーンビームCT(CBCT)スキャンの画質を大幅に劣化させる。 深層学習に基づく手法はCBCT測定から散乱を推定する上で有望であることを示す。 モバイルCBCTシステムやエッジデバイスへの展開は、ネットワークのメモリフットプリントが大きいため、依然として制限されている。
• 参考スコア（独自算出の注目度）: 7.864992877255044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Scatter artifacts drastically degrade the image quality of cone-beam computed tomography (CBCT) scans. Although deep learning-based methods show promise in estimating scatter from CBCT measurements, their deployment in mobile CBCT systems or edge devices is still limited due to the large memory footprint of the networks. This study addresses the issue by applying networks at varying resolutions and suggesting an optimal one, based on speed and accuracy. Methods: First, the reconstruction error in down-up sampling of CBCT scatter signal was examined at six resolutions by comparing four interpolation methods. Next, a recent state-of-the-art method was trained across five image resolutions and evaluated for the reductions in floating-point operations (FLOPs), inference times, and GPU memory requirements. Results: Reducing the input size and network parameters achieved a 78-fold reduction in FLOPs compared to the baseline method, while maintaining comarable performance in terms of mean-absolute-percentage-error (MAPE) and mean-square-error (MSE). Specifically, the MAPE decreased to 3.85% compared to 4.42%, and the MSE decreased to 1.34 \times 10^{-2} compared to 2.01 \times 10^{-2}. Inference time and GPU memory usage were reduced by factors of 16 and 12, respectively. Further experiments comparing scatter-corrected reconstructions on a large, simulated dataset and real CBCT scans from water and Sedentex CT phantoms clearly demonstrated the robustness of our method. Conclusion: This study highlights the underappreciated role of downsampling in deep learning-based scatter estimation. The substantial reduction in FLOPs and GPU memory requirements achieved by our method enables scatter correction in resource-constrained environments, such as mobile CBCT and edge devices.
• Abstract（参考訳）: 目的: 散乱アーティファクトはコーンビームCT(CBCT)スキャンの画質を大幅に劣化させる。 深層学習に基づく手法ではCBCT測定から散乱を推定できるが,ネットワークのメモリフットプリントが大きいため,モバイルCBCTシステムやエッジデバイスへの展開は制限されている。 本研究は,ネットワークを様々な解像度で適用し,速度と精度に基づいて最適なネットワークを提案することで,この問題に対処する。 方法: まず, CBCT散乱信号のダウンアップサンプリングにおける再構成誤差について, 4つの補間法を比較して6分解能で検討した。 次に、最新の最先端手法を5つの画像解像度でトレーニングし、浮動小数点演算(FLOP)、推論時間、GPUメモリ要求の低減について評価した。 結果: 平均絶対誤差(MAPE)と平均二乗誤差(MSE)で比較すると, FLOPの78倍の低減を実現した。 具体的には、MAPEは4.42%に比べて3.85%まで減少し、MSEは2.01>10>-2>に比べて1.34>10>-2>に減少した。 推論時間とGPUメモリ使用量はそれぞれ16と12の要因で削減された。 水とセデンテックスCTのファントムから得られた大規模・模擬データセットと実CBCTスキャンの散乱補正再構成を比較したさらなる実験により,本手法のロバスト性は明らかとなった。 結論:本研究は,深層学習に基づく散乱推定におけるダウンサンプリングの役割の過小評価を明らかにする。 本手法で実現したFLOPとGPUメモリの大幅な削減により,移動CBCTやエッジデバイスなどの資源制約環境下での散乱補正が可能となった。

関連論文リスト

• EDFFDNet: Towards Accurate and Efficient Unsupervised Multi-Grid Image Registration [17.190325630307097]
  本稿では指数デカイ基底関数を用いた自由形変形を用いた指数デカイ自由形変形ネットワーク(EDFFDNet)を提案する。 密接な相互作用をスパースなものにすることで、ASMAはパラメータを減らし、精度を向上させる。 EDFFDNetは、パラメータ、メモリ、総ランタイムをそれぞれ70.5%、32.6%、33.7%削減することを示した。 EDFFDNet-2はより少ない計算コストを維持しながらPSNRを1.06dB改善する。
  論文  参考訳（メタデータ） (2025-09-09T12:30:51Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Res-MoCoDiff: Residual-guided diffusion models for motion artifact correction in brain MRI [4.893666625661374]
  脳MRIの動作アーティファクトは、主に硬直した頭部の動きから、画質を低下させ、下流の応用を妨げる。 本研究では,MRIの運動アーチファクト修正に特化して設計された効率的な拡散確率モデルであるRes-MoCoDiffを紹介する。 提案手法は, 微少, 中等度, 重歪レベルにわたる運動アーティファクトの除去において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-06T13:02:40Z)
• Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
  本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。 分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。 SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-22T17:59:30Z)
• Label-efficient multi-organ segmentation with a diffusion model [10.470918676663405]
  我々は,CT多臓器分割のための事前学習拡散モデルから知識伝達を用いたラベル効率の高いフレームワークを提案する。 ファインチューニングでは、線形分類と微調整デコーダという2つの微調整戦略を用いてセグメンテーション性能を向上させる。 マルチオーガナイズのための最先端手法と比較して,本手法はFLARE 2022データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• CT Material Decomposition using Spectral Diffusion Posterior Sampling [3.8673630752805446]
  本研究では,拡散後サンプリング(DPS)に基づく新しい深層学習手法を提案する。 逆プロセスに必要な時間ステップ数を削減するために、ジャンプ開始プロセスを使用する高速で安定した変種が提案されている。 その結果, スペクトルCTデータに基づく比較的高速かつ高精度な材料分解を実現するJSDPSの可能性が示された。
  論文  参考訳（メタデータ） (2024-02-05T19:35:57Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
  ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。 本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。 提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
  論文  参考訳（メタデータ） (2023-02-08T19:38:59Z)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)

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。