論文の概要: Diffusion Model Regularized Implicit Neural Representation for CT Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2512.08999v1
• Date: Tue, 09 Dec 2025 04:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.259842
• Title: Diffusion Model Regularized Implicit Neural Representation for CT Metal Artifact Reduction
• Title（参考訳）: CT金属アーチファクト低減のための拡散モデル正規化インプシットニューラル表現
• Authors: Jie Wen, Chenhe Du, Xiao Wang, Yuyao Zhang,
• Abstract要約: 金属人工物削減のための拡散モデル正規化暗黙的ニューラル表現フレームワークを提案する。 暗黙的な神経表現は物理的制約を統合し、データの忠実さを課すが、事前学習された拡散モデルは、解を規則化する事前知識を提供する。 シミュレーションおよび臨床データによる実験結果から,本手法の有効性と一般化能力が示された。
• 参考スコア（独自算出の注目度）: 25.695867658769163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) images are often severely corrupted by artifacts in the presence of metals. Existing supervised metal artifact reduction (MAR) approaches suffer from performance instability on known data due to their reliance on limited paired metal-clean data, which limits their clinical applicability. Moreover, existing unsupervised methods face two main challenges: 1) the CT physical geometry is not effectively incorporated into the MAR process to ensure data fidelity; 2) traditional heuristics regularization terms cannot fully capture the abundant prior knowledge available. To overcome these shortcomings, we propose diffusion model regularized implicit neural representation framework for MAR. The implicit neural representation integrates physical constraints and imposes data fidelity, while the pre-trained diffusion model provides prior knowledge to regularize the solution. Experimental results on both simulated and clinical data demonstrate the effectiveness and generalization ability of our method, highlighting its potential to be applied to clinical settings.
• Abstract（参考訳）: CT画像は、しばしば金属の存在下で人工物によってひどく劣化する。 既存の金属アーティファクトリダクション(MAR)アプローチは、臨床応用が制限される限られたペアの金属クリーンデータに依存するため、既知のデータのパフォーマンスが不安定である。 さらに、既存の教師なし手法は2つの大きな課題に直面している。 1) CT物理形状は,データの忠実性を確保するために,MARプロセスに効果的に組み込まれていない。 2) 従来のヒューリスティックス規則化用語は、利用可能な豊富な事前知識を完全に把握できない。 これらの欠点を克服するために、MARのための拡散モデル正規化暗黙的ニューラル表現フレームワークを提案する。 暗黙的な神経表現は物理的制約を統合し、データの忠実さを課すが、事前学習された拡散モデルは、解を規則化する事前知識を提供する。 シミュレーションデータと臨床データを用いた実験結果は,本手法の有効性と一般化能力を示し,臨床応用の可能性を強調した。

関連論文リスト

• 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)
• Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction [34.83421198668549]
  シミュレーションデータセットを用いてトレーニングされた金属アーティファクト削減法(MAR)は、しばしば実際の臨床CT画像でうまく機能するのに苦労する。 放射線技師のフィードバックを半教師付き学習プロセスに統合するRISE-MARを提案する。 品質保証のために,放射線技師の評価をエミュレートする臨床品質評価モデルを導入する。 量保証のために、我々の自己学習フレームワークは、付加的な高品質な擬似地下構造を反復的に生成する。
  論文  参考訳（メタデータ） (2025-01-26T17:32:58Z)
• Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
  微分自由拡散多様体制約勾配(FreeMCG)を導入する。 FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。 提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:15:14Z)
• Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
  金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains [8.40564813751161]
  金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。 金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。 本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T14:00:47Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。