論文の概要: Task-Adaptive Low-Dose CT Reconstruction

• arxiv url: http://arxiv.org/abs/2511.07094v1
• Date: Mon, 10 Nov 2025 13:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.274154
• Title: Task-Adaptive Low-Dose CT Reconstruction
• Title（参考訳）: タスク適応型低線量CT再構成
• Authors: Necati Sefercioglu, Mehmet Ozan Unal, Metin Ertas, Isa Yildirim,
• Abstract要約: 深層学習に基づくCT再構成手法は,画像品質の基準値に対して,すでに高い性能を達成している。 しかし、診断タスクに必要な重要な解剖学的詳細を保存できないこともしばしばあります。 本稿では,凍結した事前学習タスクネットワークを復元損失関数の正規化用語として組み込んだ新しいタスク適応型再構築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）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based low-dose computed tomography reconstruction methods already achieve high performance on standard image quality metrics like peak signal-to-noise ratio and structural similarity index measure. Yet, they frequently fail to preserve the critical anatomical details needed for diagnostic tasks. This fundamental limitation hinders their clinical applicability despite their high metric scores. We propose a novel task-adaptive reconstruction framework that addresses this gap by incorporating a frozen pre-trained task network as a regularization term in the reconstruction loss function. Unlike existing joint-training approaches that simultaneously optimize both reconstruction and task networks, and risk diverging from satisfactory reconstructions, our method leverages a pre-trained task model to guide reconstruction training while still maintaining diagnostic quality. We validate our framework on a liver and liver tumor segmentation task. Our task-adaptive models achieve Dice scores up to 0.707, approaching the performance of full-dose scans (0.874), and substantially outperforming joint-training approaches (0.331) and traditional reconstruction methods (0.626). Critically, our framework can be integrated into any existing deep learning-based reconstruction model through simple loss function modification, enabling widespread adoption for task-adaptive optimization in clinical practice. Our codes are available at: https://github.com/itu-biai/task_adaptive_ct
• Abstract（参考訳）: 深層学習に基づく低線量計算トモグラフィ再構成手法は,ピーク信号対雑音比や構造類似度指数測定などの標準画像品質指標ですでに高い性能を達成している。 しかし、診断タスクに必要な重要な解剖学的詳細を保存できないこともしばしばあります。 この基本的な制限は、高得点にもかかわらず臨床応用性を妨げている。 本稿では, 凍結した事前学習タスクネットワークを正規化用語として組み込むことにより, このギャップに対処するタスク適応型再構築フレームワークを提案する。 再建とタスクネットワークの両面を同時に最適化する既存の共同学習手法と異なり,本手法はトレーニング済みのタスクモデルを利用して,診断品質を維持しながら再建トレーニングを指導する。 肝・肝腫瘍の分節化作業における枠組みの検証を行った。 タスク適応型モデルは最大0.707点のDiceスコアを達成し、フルドーススキャン(0.874点)の性能に近づき、ジョイントトレーニングアプローチ(0.331点)と従来の再構成手法(0.626点)で大幅に上回った。 重要なことは、我々のフレームワークは、単純な損失関数の修正を通じて既存のディープラーニングベースの再構築モデルに統合することができ、臨床実践においてタスク適応最適化に広く適用することが可能である。 私たちのコードは、https://github.com/itu-biai/task_adaptive_ctで利用可能です。

関連論文リスト

• NeRF-based CBCT Reconstruction needs Normalization and Initialization [53.58395475423445]
  NeRFベースの手法は、ハッシュエンコーダとニューラルネットワークという2つの主要なコンポーネント間の局所的な訓練ミスマッチに悩まされる。 特徴整合性を高め、ミスマッチを緩和する正規化ハッシュを導入する。 ニューラルネットワークは早期トレーニング中に安定性が向上し、より高速な収束と再構築性能が向上する。
  論文  参考訳（メタデータ） (2025-06-24T16:01:45Z)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• Targeted Unlearning Using Perturbed Sign Gradient Methods With Applications On Medical Images [10.121286947766388]
  我々は、デプロイ後のモデル修正のための汎用ツールとして、機械学習を再考した。 境界に基づくアンラーニングの2段階最適化法を提案する。 第一次アルゴリズムが解き放たれたときの収束保証を提供する。
  論文  参考訳（メタデータ） (2025-05-28T01:36:57Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• A gradient-based approach to fast and accurate head motion compensation in cone-beam CT [35.44857854720086]
  本稿では,勾配に基づく最適化アルゴリズムを用いたCBCT動作推定の新しい手法を提案する。 従来の手法に比べて19倍の速さで動き推定を劇的に高速化する。 運動補償後の初期平均3mmから0.61mmまでの再投射誤差を低減させる。
  論文  参考訳（メタデータ） (2024-01-17T15:37:00Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
  我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。 次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。 再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
  論文  参考訳（メタデータ） (2020-10-30T19:26:14Z)
• Self-Supervised Training For Low Dose CT Reconstruction [0.0]
  本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。 ノイズが要素的に独立な射影領域に自己超越原理を適用する。 提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-25T22:02:14Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。