論文の概要: Semantic contrastive learning for orthogonal X-ray computed tomography reconstruction

• arxiv url: http://arxiv.org/abs/2512.22674v1
• Date: Sat, 27 Dec 2025 18:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.173374
• Title: Semantic contrastive learning for orthogonal X-ray computed tomography reconstruction
• Title（参考訳）: 直交X線CT画像再構成のための意味的コントラスト学習
• Authors: Jiashu Dong, Jiabing Xiang, Lisheng Geng, Suqing Tian, Wei Zhao,
• Abstract要約: 近年, 深層学習手法の進歩により, 再建の質が向上しているが, 課題は依然として残っている。 本研究では,高次潜在空間における意味的類似性と浅部潜在空間における解剖学的類似性を評価する,新しい意味的特徴の対比学習損失関数を提案する。
• 参考スコア（独自算出の注目度）: 2.667606911741401
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: X-ray computed tomography (CT) is widely used in medical imaging, with sparse-view reconstruction offering an effective way to reduce radiation dose. However, ill-posed conditions often result in severe streak artifacts. Recent advances in deep learning-based methods have improved reconstruction quality, but challenges still remain. To address these challenges, we propose a novel semantic feature contrastive learning loss function that evaluates semantic similarity in high-level latent spaces and anatomical similarity in shallow latent spaces. Our approach utilizes a three-stage U-Net-based architecture: one for coarse reconstruction, one for detail refinement, and one for semantic similarity measurement. Tests on a chest dataset with orthogonal projections demonstrate that our method achieves superior reconstruction quality and faster processing compared to other algorithms. The results show significant improvements in image quality while maintaining low computational complexity, making it a practical solution for orthogonal CT reconstruction.
• Abstract（参考訳）: X線CT(CT)は医用画像に広く使われており、スパースビュー再構成は放射線線量を減らす効果的な方法である。 しかし、不適切な条件が原因でしばしば重篤な遺物が生じる。 近年, 深層学習手法の進歩により, 再建の質が向上しているが, 課題は依然として残っている。 これらの課題に対処するために, 浅層潜伏空間における意味的類似性と解剖学的類似性を評価する, 対照的な学習損失関数を提案する。 提案手法は3段階のU-Netアーキテクチャを用いており、ひとつは粗い再構築用、もう一つは細部の改良用、もう一つは意味的類似度測定用である。 直交投影を用いた胸部データセットの試験により,本手法が他のアルゴリズムに比べて優れた再構成品質と高速な処理を実現することが示された。 その結果,低計算量を維持しながら画像品質を著しく改善し,直交CT再建の実用的な解決策となった。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  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。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Deep Guess acceleration for explainable image reconstruction in sparse-view CT [0.0]
  スパースビューCT(Sparse-view Computed)は、医療画像における放射線線量を減らすために設計された新しいプロトコルである。 従来のフィルタバックプロジェクションの復元は、スパースデータによる深刻なアーティファクトに悩まされている。 対照的に、モデルベース反復再建(MBIR)は、臨床的使用には計算コストがかかりすぎる。
  論文  参考訳（メタデータ） (2024-12-02T16:49:42Z)
• 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)
• XctDiff: Reconstruction of CT Images with Consistent Anatomical Structures from a Single Radiographic Projection Image [4.169099546864143]
  XctDiffは、単一のラジオグラフからCTを再構成するためのアルゴリズムフレームワークである。 まず,ロバストな3D先行情報を抽出できるプログレッシブな特徴抽出戦略を設計する。 次に,抽出した先行情報を用いて,潜伏空間におけるCT再構成を誘導する。
  論文  参考訳（メタデータ） (2024-06-07T06:50:19Z)
• C^2RV: Cross-Regional and Cross-View Learning for Sparse-View CBCT Reconstruction [17.54830070112685]
  コーンビームCT(CBCT)は医療現場で広く用いられている画像技術である。 コーン状X線による測定により, CBCTの復元が困難になる。 本稿では,3次元空間におけるクロスリージョン学習を実現するために,明示的なマルチスケールボリューム表現を活用してC2RVを提案する。
  論文  参考訳（メタデータ） (2024-06-06T09:37:56Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Interpolation of CT Projections by Exploiting Their Self-Similarity and Smoothness [6.891238879512674]
  提案アルゴリズムは, シングラムの自己相似性と滑らか性を利用する。 シミュレーションおよび実ctデータを用いた実験により,提案アルゴリズムを用いたシンノグラムにより,再構成画像の品質が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-03-05T22:41:25Z)

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。