論文の概要: Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction

• arxiv url: http://arxiv.org/abs/2509.23885v1
• Date: Sun, 28 Sep 2025 13:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.507558
• Title: Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction
• Title（参考訳）: 低用量CT再構成のための自己改善コンテキストサブデータを用いたTunable Generalization Diffusion
• Authors: Guoquan Wei, Zekun Zhou, Liu Shi, Wenzhe Shan, Qiegen Liu,
• Abstract要約: SuperDiffは、低用量CT再構成のための自己教師付きコンテキストサブデータを利用した、チューニング可能な一般化拡散法である。 再現性と一般化性能の点で、既存の最先端手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 5.107409624991683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current models based on deep learning for low-dose CT denoising rely heavily on paired data and generalize poorly. Even the more concerned diffusion models need to learn the distribution of clean data for reconstruction, which is difficult to satisfy in medical clinical applications. At the same time, self-supervised-based methods face the challenge of significant degradation of generalizability of models pre-trained for the current dose to expand to other doses. To address these issues, this paper proposes a novel method of tunable-generalization diffusion powered by self-supervised contextual sub-data for low-dose CT reconstruction, named SuperDiff. Firstly, a contextual subdata similarity adaptive sensing strategy is designed for denoising centered on the LDCT projection domain, which provides an initial prior for the subsequent progress. Subsequently, the initial prior is used to combine knowledge distillation with a deep combination of latent diffusion models for optimizing image details. The pre-trained model is used for inference reconstruction, and the pixel-level self-correcting fusion technique is proposed for fine-grained reconstruction of the image domain to enhance the image fidelity, using the initial prior and the LDCT image as a guide. In addition, the technique is flexibly applied to the generalization of upper and lower doses or even unseen doses. Dual-domain strategy cascade for self-supervised LDCT denoising, SuperDiff requires only LDCT projection domain data for training and testing. Full qualitative and quantitative evaluations on both datasets and real data show that SuperDiff consistently outperforms existing state-of-the-art methods in terms of reconstruction and generalization performance.
• Abstract（参考訳）: 低用量CTのディープラーニングに基づく現在のモデルは、ペア化されたデータに大きく依存し、一般化が不十分である。 より関係のある拡散モデルでさえ、再建のためのクリーンなデータの分布を学習する必要がある。 同時に、自己監督型手法は、現在の服用のために事前訓練されたモデルが他の服用量に拡張する際の重大な一般化可能性の低下に直面している。 そこで本研究では,低用量CT再構成のための自己教師付き文脈データを用いた教師あり一般化拡散法であるSuperDiffを提案する。 まず,LDCTプロジェクション領域を中心に,文脈的部分データ類似度適応型センシング戦略を設計し,その後の進行に先立って先行する。 その後、知識蒸留と潜伏拡散モデルの深い組み合わせを組み合わせて画像の詳細を最適化する。 予め訓練したモデルを用いて推論再構成を行い,画像領域の微細化のための画素レベルの自己補正融合手法を提案し,初期先行画像とLDCT画像をガイドとして画像忠実度を高める。 また、上線量や下線量の一般化にも柔軟に適用される。 SuperDiffは自己教師型LDCT復調のためのデュアルドメイン戦略カスケードであり、訓練とテストのためにLDCTプロジェクションドメインデータのみを必要とする。 データセットと実データの両方における定性的かつ定量的な評価は、SuperDiffが再構築と一般化性能の点で既存の最先端手法を一貫して上回っていることを示している。

関連論文リスト

• 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)
• 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)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• 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)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
  低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。 ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。 低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。 以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
  論文  参考訳（メタデータ） (2022-12-07T13:39:23Z)
• Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model [24.024765099719886]
  反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。 本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。 再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
  論文  参考訳（メタデータ） (2020-09-27T06:36:39Z)

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。