論文の概要: Diffusion Low Rank Hybrid Reconstruction for Sparse View Medical Imaging

• arxiv url: http://arxiv.org/abs/2510.04069v1
• Date: Sun, 05 Oct 2025 07:20:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.4389
• Title: Diffusion Low Rank Hybrid Reconstruction for Sparse View Medical Imaging
• Title（参考訳）: スパース・ビュー・メディカル・イメージングのための拡散低ランクハイブリッド・コンストラクション
• Authors: Zongyin Deng, Qing Zhou, Yuhao Fang, Zijian Wang, Yao Lu, Ye Zhang, Chun Li,
• Abstract要約: TV-LoRAは低用量スパースCTの新規な再構成法である。 極めてまばらな視野での不利さとテクスチャの喪失に対処する。 SSIM、テクスチャリカバリ、エッジの明確性、アーティファクトの抑制といったベンチマークを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 18.350900604747494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents TV-LoRA, a novel method for low-dose sparse-view CT reconstruction that combines a diffusion generative prior (NCSN++ with SDE modeling) and multi-regularization constraints, including anisotropic TV and nuclear norm (LoRA), within an ADMM framework. To address ill-posedness and texture loss under extremely sparse views, TV-LoRA integrates generative and physical constraints, and utilizes a 2D slice-based strategy with FFT acceleration and tensor-parallel optimization for efficient inference. Experiments on AAPM-2016, CTHD, and LIDC datasets with $N_{\mathrm{view}}=8,4,2$ show that TV-LoRA consistently surpasses benchmarks in SSIM, texture recovery, edge clarity, and artifact suppression, demonstrating strong robustness and generalizability. Ablation studies confirm the complementary effects of LoRA regularization and diffusion priors, while the FFT-PCG module provides a speedup. Overall, Diffusion + TV-LoRA achieves high-fidelity, efficient 3D CT reconstruction and broad clinical applicability in low-dose, sparse-sampling scenarios.
• Abstract（参考訳）: 本研究は,ADMMフレームワーク内に,拡散生成前(NCSN++とSDEモデリング)と異方性TVや核ノルム(LoRA)を含む多規則化制約を組み合わせた低線量スパークスCT再構成法であるTV-LoRAを提案する。 極端にスパースなビュー下での不備やテクスチャロスに対処するため,TV-LoRAは生成的および物理的制約を統合し,FFT加速度とテンソル並列最適化を用いた2次元スライスベースの戦略を用いて効率的な推論を行う。 AAPM-2016、CTHD、LIDCデータセットを$N_{\mathrm{view}}=8,4,2$で実験したところ、TV-LoRAはSSIM、テクスチャリカバリ、エッジの明確さ、アーティファクトの抑制といったベンチマークを一貫して上回っており、堅牢性と一般化性を示している。 アブレーション研究は、LoRA正則化と拡散先行の相補効果を確認し、FFT-PCGモジュールはスピードアップを提供する。 全体として、Diffusion + TV-LoRAは、低用量スパースサンプリングシナリオにおいて、高忠実で効率的な3次元CT再構成と幅広い臨床応用を実現する。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation [63.38824041721275]
  低解像度(LR)医療ビデオは、ビデオ超解像度(VSR)モデルに固有の課題を提示する。 本稿では,医療用VSRのためのフレームワークであるMedVSRを提案する。 MedVSRは既存のVSRモデルよりも性能と効率が優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:56:59Z)
• QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution [53.13952833016505]
  実世界のビデオ超解像(VSR)のための低ビット量子化モデルを提案する。 キャリブレーションデータセットを用いて各レイヤの空間的および時間的複雑さを計測する。 我々はFPおよび低ビット分岐を改良し、同時最適化を実現する。
  論文  参考訳（メタデータ） (2025-08-06T14:35:59Z)
• UltraVSR: Achieving Ultra-Realistic Video Super-Resolution with Efficient One-Step Diffusion Space [46.43409853027655]
  拡散モデルは、現実的な画像の詳細を生成する大きな可能性を示している。 これらのモデルをビデオ超解像(VSR)に適応させることは、その性質と時間的モデリングの欠如により、依然として困難である。 我々は,超現実的で時間的に整合したVSRを,効率的なワンステップ拡散空間で実現するための新しいフレームワークであるUltraVSRを提案する。
  論文  参考訳（メタデータ） (2025-05-26T13:19:27Z)
• LatentCRF: Continuous CRF for Efficient Latent Diffusion [63.994037257284205]
  本稿では,ニューラルネットワーク層として実装された連続条件ランダムフィールド(CRF)モデルであるLatentCRFを紹介する。 ラテントCRFは、ラテント拡散モデルにおける潜在ベクトル間の空間的および意味的関係をモデル化する。 LDMと比較して画像品質や多様性を損なうことなく,推測効率を33%向上させる。
  論文  参考訳（メタデータ） (2024-12-24T18:51:11Z)
• 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)
• 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)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。