論文の概要: Projection Embedded Diffusion Bridge for CT Reconstruction from Incomplete Data

• arxiv url: http://arxiv.org/abs/2510.22605v1
• Date: Sun, 26 Oct 2025 10:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.291343
• Title: Projection Embedded Diffusion Bridge for CT Reconstruction from Incomplete Data
• Title（参考訳）: 不完全データからのCT再構成のための射影埋め込み拡散ブリッジ
• Authors: Yuang Wang, Pengfei Jin, Siyeop Yoon, Matthew Tivnan, Shaoyang Zhang, Li Zhang, Quanzheng Li, Zhiqiang Chen, Dufan Wu,
• Abstract要約: 拡散ブリッジモデルは、最近、対応するフィルタバックプロジェクション(FBP)再構成からのクリーンなイメージの復元を約束している。 本稿では, 再構成された画像と観測された投影データとを整合させて, 再構成精度を向上させるために, プロジェクション埋め込み拡散ブリッジ(PEDB)を提案する。 PEDBは、スパースビュー、リミテッドアングル、切り離された投影を含む3種類の不完全データからCT再構成において高い性能を達成する。
• 参考スコア（独自算出の注目度）: 18.198454669025327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing CT images from incomplete projection data remains challenging due to the ill-posed nature of the problem. Diffusion bridge models have recently shown promise in restoring clean images from their corresponding Filtered Back Projection (FBP) reconstructions, but incorporating data consistency into these models remains largely underexplored. Incorporating data consistency can improve reconstruction fidelity by aligning the reconstructed image with the observed projection data, and can enhance detail recovery by integrating structural information contained in the projections. In this work, we propose the Projection Embedded Diffusion Bridge (PEDB). PEDB introduces a novel reverse stochastic differential equation (SDE) to sample from the distribution of clean images conditioned on both the FBP reconstruction and the incomplete projection data. By explicitly conditioning on the projection data in sampling the clean images, PEDB naturally incorporates data consistency. We embed the projection data into the score function of the reverse SDE. Under certain assumptions, we derive a tractable expression for the posterior score. In addition, we introduce a free parameter to control the level of stochasticity in the reverse process. We also design a discretization scheme for the reverse SDE to mitigate discretization error. Extensive experiments demonstrate that PEDB achieves strong performance in CT reconstruction from three types of incomplete data, including sparse-view, limited-angle, and truncated projections. For each of these types, PEDB outperforms evaluated state-of-the-art diffusion bridge models across standard, noisy, and domain-shift evaluations.
• Abstract（参考訳）: 不完全な投影データからCT像を再構成することは、問題の性質が不適切であるため、依然として困難である。 拡散ブリッジモデルは、最近、対応するフィルタバックプロジェクション(FBP)再構成からのクリーンなイメージの復元を約束しているが、これらのモデルにデータの一貫性を組み込むことは、ほとんど未定である。 再構成された画像と観察された投影データとを整列させることで再構成精度を向上させることができ、投影に含まれる構造情報を統合することにより詳細回復を向上させることができる。 本稿では,PEDB(Projection Embedded Diffusion Bridge)を提案する。 PEDBは、FBP再構成と不完全な投影データの両方に条件付けられたクリーンな画像の分布から、新しい逆確率微分方程式(SDE)を導入している。 クリーンなイメージをサンプリングする際、プロジェクションデータに明示的に条件付けすることで、PEDBはデータ一貫性を自然に組み込む。 逆SDEのスコア関数に投影データを埋め込む。 特定の仮定の下では、後部スコアの抽出可能な式を導出する。 さらに,逆過程における確率のレベルを制御する自由パラメータを導入する。 また、離散化誤差を軽減するために、逆SDEのための離散化スキームを設計する。 PEDBはスパースビュー,リミテッドアングル,切り離された投影を含む3種類の不完全データからCT再構成において高い性能を示す。 これらのタイプのそれぞれに対して、PEDBは、標準、ノイズ、ドメインシフトの評価で最先端の拡散ブリッジモデルを評価する。

関連論文リスト

• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• Bayesian Diffusion Models for 3D Shape Reconstruction [54.69889488052155]
  本稿では,トップダウン(優先)情報をボトムアップ(データ駆動)手順と密結合することにより,効果的なベイズ推定を行う予測アルゴリズムを提案する。 3次元形状復元作業におけるBDMの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-11T17:55:53Z)
• Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction [2.2336243882030025]
  スパースビューCT再構成のための反復最適化データスコアリングモデル(DOSM)を提案する。 DOSMはデータの一貫性をデータ一貫性要素に統合し、測定データと生成モデルの制約を効果的にバランスさせる。 我々はDOSM更新の最適化に従来の手法を活用している。
  論文  参考訳（メタデータ） (2023-08-28T09:23:18Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)

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。