論文の概要: A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy

• arxiv url: http://arxiv.org/abs/2510.07492v1
• Date: Wed, 08 Oct 2025 19:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.701015
• Title: A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy
• Title（参考訳）: 画像浄化戦略に基づく実世界の超低線量肺CT画像のデノイングフレームワーク
• Authors: Guoliang Gong, Man Yu,
• Abstract要約: 超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。 また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。 本稿では,画像浄化(IP)戦略に基づく革新的なデノベーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.6574413179773761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-low dose CT (uLDCT) significantly reduces radiation exposure but introduces severe noise and artifacts. It also leads to substantial spatial misalignment between uLDCT and normal dose CT (NDCT) image pairs. This poses challenges for directly applying existing denoising networks trained on synthetic noise or aligned data. To address this core challenge in uLDCT denoising, this paper proposes an innovative denoising framework based on an Image Purification (IP) strategy. First, we construct a real clinical uLDCT lung dataset. Then, we propose an Image Purification strategy that generates structurally aligned uLDCT-NDCT image pairs, providing a high-quality data foundation for network training. Building upon this, we propose a Frequency-domain Flow Matching (FFM) model, which works synergistically with the IP strategy to excellently preserve the anatomical structure integrity of denoised images. Experiments on the real clinical dataset demonstrate that our IP strategy significantly enhances the performance of multiple mainstream denoising models on the uLDCT task. Notably, our proposed FFM model combined with the IP strategy achieves state-of-the-art (SOTA) results in anatomical structure preservation. This study provides an effective solution to the data mismatch problem in real-world uLDCT denoising. Code and dataset are available at https://github.com/MonkeyDadLufy/flow-matching.
• Abstract（参考訳）: 超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。 また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。 これは、合成ノイズやアライメントされたデータに基づいてトレーニングされた既存の認知ネットワークを直接適用する上での課題である。 ULDCTにおけるこの中核的課題に対処するために,画像浄化(IP)戦略に基づく革新的なデノナイズフレームワークを提案する。 まず, ULDCT肺のリアルなデータセットを構築した。 そこで我々は,uLDCT-NDCT画像ペアを構造的に整列させ,ネットワークトレーニングのための高品質なデータ基盤を提供する画像浄化戦略を提案する。 そこで本研究では,IP戦略と相乗的に機能する周波数領域フローマッチング(FFM)モデルを提案し,画像の解剖学的構造整合性を良好に維持する。 実際の臨床データセットを用いた実験により,本研究のIP戦略は,ULDCTタスク上での複数の主流演示モデルの性能を著しく向上させることが示された。 特に,提案したFFMモデルとIP戦略を組み合わせることで,解剖学的構造保存を実現する。 本研究は,実世界のuLDCT復調におけるデータミスマッチ問題に対する効果的な解法を提供する。 コードとデータセットはhttps://github.com/MonkeyDadLufy/flow-matching.comで入手できる。

関連論文リスト

• Patch Triplet Similarity Purification for Guided Real-World Low-Dose CT Image Denoising [13.095377482567194]
  非コントラストCT(NCCT)画像は3相スキャンで対応するNDCT画像とコンテンツ特性を共有する。 本稿では,実世界のLDCT画像記述ネットワークの学習に有用な手引きとして,クリーンなNCCT画像を統合することを提案する。 NCCT画像ガイダンスに対応するために,SwinIRとHATの2つの画像復調変換器を修正した。
  論文  参考訳（メタデータ） (2025-02-01T01:24:41Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising [22.351540738281265]
  LDCT画像の画質向上のために, ディープラーニング技術が導入されている。 本稿では, DA-GAN と呼ばれる新しい手法を提案する。この手法は, GANs フレームワークにおける U-Net ベースの識別器を用いて, 正規化画像と正規化画像のグローバル・ローカル差分を学習する。
  論文  参考訳（メタデータ） (2021-08-24T14:37:46Z)
• Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network [10.09577595969254]
  CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。 本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。 提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
  論文  参考訳（メタデータ） (2021-05-31T07:42:21Z)
• EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising [27.86840312836051]
  We propose the Edge enhancement based Densely connected Convolutional Neural Network (EDCNN)。 我々は、抽出したエッジ情報を融合し、エンドツーエンドの画像デノーミングを実現するために、密接な接続を持つモデルを構築した。 提案手法は,従来の低線量CT画像復調アルゴリズムと比較して,ディテールの保存やノイズの抑制に優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-30T23:12:09Z)
• Low-dimensional Manifold Constrained Disentanglement Network for Metal Artifact Reduction [17.01644053979103]
  アーティファクト・ディアンタングメント・ネットワーク (ADN) が, 臨床画像を直接検査して提案され, 臨床データセットに有望な結果が得られた。 パッチ多様体が一般に低次元であることのイメージ特性を活かした低次元多様体 (LDM) 制約付き非絡合ネットワーク (DN) を提案する。 提案手法は,ペアおよび/またはペアなしの学習環境におけるMAR性能を安定的に向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-08T03:47:34Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。