論文の概要: Steerable Conditional Diffusion for Domain Adaptation in PET Image Reconstruction

• arxiv url: http://arxiv.org/abs/2510.13441v1
• Date: Wed, 15 Oct 2025 11:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.650594
• Title: Steerable Conditional Diffusion for Domain Adaptation in PET Image Reconstruction
• Title（参考訳）: PET画像再構成における領域適応のための定常拡散
• Authors: George Webber, Alexander Hammers, Andrew P. King, Andrew J. Reader,
• Abstract要約: 本稿では,これまで導入してきたPET-LiSchフレームワークとステアブル条件拡散(SCD)を統合することを提案する。 現実的な合成2次元脳ファントムの実験は、我々のアプローチがドメインシフト下での幻覚的人工物を抑制することを実証している。 これらの結果から, 誘導性前駆体が拡散型PET再建におけるドメインシフトを緩和できるという概念実証が得られた。
• 参考スコア（独自算出の注目度）: 40.722159771726375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have recently enabled state-of-the-art reconstruction of positron emission tomography (PET) images while requiring only image training data. However, domain shift remains a key concern for clinical adoption: priors trained on images from one anatomy, acquisition protocol or pathology may produce artefacts on out-of-distribution data. We propose integrating steerable conditional diffusion (SCD) with our previously-introduced likelihood-scheduled diffusion (PET-LiSch) framework to improve the alignment of the diffusion model's prior to the target subject. At reconstruction time, for each diffusion step, we use low-rank adaptation (LoRA) to align the diffusion model prior with the target domain on the fly. Experiments on realistic synthetic 2D brain phantoms demonstrate that our approach suppresses hallucinated artefacts under domain shift, i.e. when our diffusion model is trained on perturbed images and tested on normal anatomy, our approach suppresses the hallucinated structure, outperforming both OSEM and diffusion model baselines qualitatively and quantitatively. These results provide a proof-of-concept that steerable priors can mitigate domain shift in diffusion-based PET reconstruction and motivate future evaluation on real data.
• Abstract（参考訳）: 拡散モデルにより、画像トレーニングデータのみを必要としながら、ポジトロン放射トモグラフィ(PET)画像の最先端の再構築が可能となった。 しかし、ドメインシフトは、臨床応用において重要な関心事であり、ある解剖学、取得プロトコル、病理学で訓練された事前訓練は、アウト・オブ・ディストリビューション・データに基づくアーティファクトを生成する可能性がある。 対象対象者に対する拡散モデルのアライメントを改善するために,従来導入していたPET-LiSchフレームワークとステアブル条件拡散(SCD)を統合することを提案する。 再構成時, 各拡散段階において, 低ランク適応 (LoRA) を用いて, 拡散モデルと目標領域との一致を図った。 現実的な2次元脳ファントムを用いた実験により,我々の拡散モデルが摂動画像で訓練され,正常な解剖学で試験された場合,本手法は幻覚構造を抑え,OSEMおよび拡散モデルベースラインを質的,定量的に上回る結果を得た。 これらの結果は,拡散型PET再構成における領域シフトを緩和し,実際のデータに対する将来の評価を動機付けることができる,概念実証を提供する。

関連論文リスト

• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  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。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• 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)
• Posterior-Mean Denoising Diffusion Model for Realistic PET Image Reconstruction [0.7366405857677227]
  Posterior-Mean Denoising Diffusion Model (PMDM-PET)は、最近確立された数学的理論に基づく新しいアプローチである。 PMDM-PETは,まず最小平均二乗誤差(MSE)の下で後平均PETの予測値を取得し,その分布を地上Truth PET画像の分布に最適に伝達する。 実験結果から,PMDM-PETは最小歪みと最適知覚品質を有する現実的なPET画像を生成するだけでなく,定性的視覚検査と定量的ピクセルワイド測定の両方において,最新の5つのSOTA(State-of-the-art (SOTA) DLベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-03-11T15:33:50Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• 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)
• 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)
• Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
  ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。 非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。 本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
  論文  参考訳（メタデータ） (2022-07-12T22:45:08Z)

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。