論文の概要: Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT

• arxiv url: http://arxiv.org/abs/2512.12236v1
• Date: Sat, 13 Dec 2025 08:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.179099
• Title: Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT
• Title（参考訳）: マルチレートスパースCTのための分解能非依存型ニューラル演算子
• Authors: Aujasvit Datta, Jiayun Wang, Asad Aali, Armeet Singh Jatyani, Anima Anandkumar,
• Abstract要約: 深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 67.14700058302016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse-view Computed Tomography (CT) reconstructs images from a limited number of X-ray projections to reduce radiation and scanning time, which makes reconstruction an ill-posed inverse problem. Deep learning methods achieve high-fidelity reconstructions but often overfit to a fixed acquisition setup, failing to generalize across sampling rates and image resolutions. For example, convolutional neural networks (CNNs) use the same learned kernels across resolutions, leading to artifacts when data resolution changes. We propose Computed Tomography neural Operator (CTO), a unified CT reconstruction framework that extends to continuous function space, enabling generalization (without retraining) across sampling rates and image resolutions. CTO operates jointly in the sinogram and image domains through rotation-equivariant Discrete-Continuous convolutions parametrized in the function space, making it inherently resolution- and sampling-agnostic. Empirically, CTO enables consistent multi-sampling-rate and cross-resolution performance, with on average >4dB PSNR gain over CNNs. Compared to state-of-the-art diffusion methods, CTO is 500$\times$ faster in inference time with on average 3dB gain. Empirical results also validate our design choices behind CTO's sinogram-space operator learning and rotation-equivariant convolution. Overall, CTO outperforms state-of-the-art baselines across sampling rates and resolutions, offering a scalable and generalizable solution that makes automated CT reconstruction more practical for deployment.
• Abstract（参考訳）: スパースビューCT (Sparse-view Computed Tomography) は、少数のX線投影から画像を再構成し、放射線と走査時間を短縮し、再構成が不適切な逆問題となる。 深層学習法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合し、サンプリングレートと画像解像度をまたいだ一般化に失敗する。 例えば、畳み込みニューラルネットワーク(CNN)は、解像度をまたいだ同じ学習されたカーネルを使用し、データ解像度を変更するとアーティファクトが生成される。 我々は,連続関数空間に拡張されたCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは、回転同変の離散連続的畳み込みを関数空間にパラメトリケートすることで、シングラムと画像領域を共同で操作し、本質的に分解能およびサンプリング非依存にする。 実証的には、CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現しており、平均4dBPSNRはCNNよりも向上している。 最先端の拡散法と比較すると、CTOは平均的な3dBゲインよりも500$\times$高速な推論時間である。 実証的な結果は、CTOのシノグラム空間演算子学習と回転同変畳み込みの背後にある設計選択についても検証する。 全体として、CTOはサンプリングレートと解像度で最先端のベースラインを上回り、スケーラブルで一般化可能なソリューションを提供し、自動CT再構成をデプロイにより実用的なものにしている。

関連論文リスト

• A Learnt Half-Quadratic Splitting-Based Algorithm for Fast and High-Quality Industrial Cone-beam CT Reconstruction [5.104810959579396]
  工業用X線コーンビームCT(XCT)スキャナーは、科学的イメージングや非破壊的特徴付けに広く用いられている。 典型的な解析アルゴリズムを用いて高品質な再構成を実現するために、スキャンは多数の投影/ビューを収集する。 本稿では,畳み込みニューラルネットワーク(CNN)を用いた半四分法分割法を提案し,大きなスパークビューコーンビームCT(CBCT)測定から高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-01-21T19:15:34Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Spectral Bandwidth Recovery of Optical Coherence Tomography Images using Deep Learning [0.6990493129893112]
  取得速度を向上する技術開発は、しばしばスペクトル帯域幅が狭くなり、したがって軸方向分解能が低くなる。 従来,OCTのサブサンプルデータを再構成するために画像処理技術が用いられてきた。 本研究では,スペクトル領域におけるガウスウィンドウ化による軸方向スキャン(Aスキャン)分解能の低下をシミュレートし,画像特徴再構成のための学習的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-01-02T02:18:32Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)

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。