論文の概要: Physics-Inspired Gaussian Kolmogorov-Arnold Networks for X-ray Scatter Correction in Cone-Beam CT

• arxiv url: http://arxiv.org/abs/2510.24579v1
• Date: Tue, 28 Oct 2025 16:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.268023
• Title: Physics-Inspired Gaussian Kolmogorov-Arnold Networks for X-ray Scatter Correction in Cone-Beam CT
• Title（参考訳）: コーンビームCTにおけるX線散乱補正のための物理誘起ガウスコルモゴロフ・アルノルドネットワーク
• Authors: Xu Jiang, Huiying Pan, Ligen Shi, Jianing Sun, Wenfeng Xu, Xing Zhao,
• Abstract要約: コーンビームCT(CBCT)は平らなパネル検出器を用いて高解像度の3次元イメージングを実現する。 CBCTは、再構成画像におけるCT値バイアスと組織コントラストの低下をもたらすデータ取得時に散乱を受けやすい。 本研究では,物理先行知識に触発された深層学習に基づく散在物補正手法を提案する。
• 参考スコア（独自算出の注目度）: 4.755673280178128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cone-beam CT (CBCT) employs a flat-panel detector to achieve three-dimensional imaging with high spatial resolution. However, CBCT is susceptible to scatter during data acquisition, which introduces CT value bias and reduced tissue contrast in the reconstructed images, ultimately degrading diagnostic accuracy. To address this issue, we propose a deep learning-based scatter artifact correction method inspired by physical prior knowledge. Leveraging the fact that the observed point scatter probability density distribution exhibits rotational symmetry in the projection domain. The method uses Gaussian Radial Basis Functions (RBF) to model the point scatter function and embeds it into the Kolmogorov-Arnold Networks (KAN) layer, which provides efficient nonlinear mapping capabilities for learning high-dimensional scatter features. By incorporating the physical characteristics of the scattered photon distribution together with the complex function mapping capacity of KAN, the model improves its ability to accurately represent scatter. The effectiveness of the method is validated through both synthetic and real-scan experiments. Experimental results show that the model can effectively correct the scatter artifacts in the reconstructed images and is superior to the current methods in terms of quantitative metrics.
• Abstract（参考訳）: コーンビームCT(CBCT)は平らなパネル検出器を用いて高解像度の3次元イメージングを実現する。 しかし、CBCTは、CT値バイアスと組織コントラストの低下を伴い、最終的に診断精度を低下させるデータ取得時に散乱を受けやすい。 この問題に対処するために,身体的事前知識に触発された深層学習に基づく散在物補正手法を提案する。 観測点散乱確率密度分布が射影領域の回転対称性を示すという事実を活用する。 この手法はガウスラジアル基底関数(RBF)を用いて点散乱関数をモデル化し、高次元散乱特徴を学習するための効率的な非線形マッピング機能を提供するコルモゴロフ・アルノルドネットワーク(KAN)層に埋め込む。 散乱光子分布の物理特性をKANの複雑な関数マッピング能力と組み合わせることで,散乱を正確に表現する能力を向上させる。 本手法の有効性は, 合成および実スキャン実験により検証した。 実験結果から, このモデルでは再構成画像の散乱アーチファクトを効果的に補正することができ, 定量化の点で現在の手法よりも優れていることがわかった。

関連論文リスト

• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• 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)
• Advancing Limited-Angle CT Reconstruction Through Diffusion-Based Sinogram Completion [16.097461905457564]
  LACT(Limited Angle Computed Tomography)は、角情報がないためにしばしば大きな課題に直面している。 そこで我々は, シングラムのインペイントに焦点をあてる新しい手法を提案する。 平均回帰微分方程式を用いて拡散過程を特徴づける拡散モデルの変種であるMR-SDEを利用する。
  論文  参考訳（メタデータ） (2025-05-26T00:59:58Z)
• SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
  制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。 本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。 Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
  論文  参考訳（メタデータ） (2024-03-15T06:26:46Z)
• SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI [14.545736786515837]
  本稿では,k空間の拡散モデルであるSPIRiT-Diffusionを紹介する。 3次元頭蓋内および頸動脈壁画像データセットを用いたSPIRiT-Diffusion法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-11T08:43:52Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Scatter Correction in X-ray CT by Physics-Inspired Deep Learning [26.549671705231145]
  X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。 散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。 本研究では,PhILSCATとOV-PhILSCATの2種類の深層学習法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T22:51:20Z)
• Deep Network for Scatterer Distribution Estimation for Ultrasound Image Simulation [8.13909718726358]
  観測された超音波データから確率的散乱器推定のための畳み込みニューラルネットワーク手法を実証する。 いくつかの既存手法と比較して,本手法で推定した散乱器表現から合成した画像が観測値と密接に一致していることが,数値シミュレーションおよびin-vivo画像で実証された。
  論文  参考訳（メタデータ） (2020-06-17T21:25:13Z)

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。