論文の概要: Physically-Grounded Manifold Projection with Foundation Priors for Metal Artifact Reduction in Dental CBCT

• arxiv url: http://arxiv.org/abs/2512.24260v1
• Date: Tue, 30 Dec 2025 14:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.401825
• Title: Physically-Grounded Manifold Projection with Foundation Priors for Metal Artifact Reduction in Dental CBCT
• Title（参考訳）: 歯科用CBCTにおける金属アーチファクト低減のための基礎的基礎を組み込んだ物理的に取り囲んだマニフォールドプロジェクション
• Authors: Zhi Li, Yaqi Wang, Bingtao Ma, Yifan Zhang, Huiyu Zhou, Shuai Wang,
• Abstract要約: 歯科用CBCTの金属遺物は極めて不明瞭な解剖学的構造である。 現在のMAR(Metal Artifact Reduction)の深層学習は制限に直面している。 Denoising Diffusion Models (DDPM) はリアリズムを提供するが、遅い反復的なサンプリングに依存している。
• 参考スコア（独自算出の注目度）: 20.637726557566793
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Metal artifacts in Dental CBCT severely obscure anatomical structures, hindering diagnosis. Current deep learning for Metal Artifact Reduction (MAR) faces limitations: supervised methods suffer from spectral blurring due to "regression-to-the-mean", while unsupervised ones risk structural hallucinations. Denoising Diffusion Models (DDPMs) offer realism but rely on slow, stochastic iterative sampling, unsuitable for clinical use. To resolve this, we propose the Physically-Grounded Manifold Projection (PGMP) framework. First, our Anatomically-Adaptive Physics Simulation (AAPS) pipeline synthesizes high-fidelity training pairs via Monte Carlo spectral modeling and patient-specific digital twins, bridging the synthetic-to-real gap. Second, our DMP-Former adapts the Direct x-Prediction paradigm, reformulating restoration as a deterministic manifold projection to recover clean anatomy in a single forward pass, eliminating stochastic sampling. Finally, a Semantic-Structural Alignment (SSA) module anchors the solution using priors from medical foundation models (MedDINOv3), ensuring clinical plausibility. Experiments on synthetic and multi-center clinical datasets show PGMP outperforms state-of-the-art methods on unseen anatomy, setting new benchmarks in efficiency and diagnostic reliability. Code and data: https://github.com/ricoleehduu/PGMP
• Abstract（参考訳）: 歯科用CBCTの金属遺物は極めて不明瞭な解剖学的構造であり,診断を妨げている。 教師なしの手法は、"regression-to-the-mean"によるスペクトルのぼかしに悩まされ、教師なしの手法は構造的幻覚のリスクを負う。 Denoising Diffusion Models (DDPM) はリアリズムを提供するが、ゆっくりとした確率的な反復的なサンプリングに依存しており、臨床用途には適さない。 そこで本研究では,この問題を解決するために,Physically-Grounded Manifold Projection (PGMP) フレームワークを提案する。 まず、我々の解剖学的適応物理学シミュレーション(AAPS)パイプラインは、モンテカルロスペクトルモデリングと患者固有のデジタル双生児を通して高忠実度トレーニングペアを合成し、合成と現実のギャップを埋めます。 第2に、DMP-Former は直接 x-Prediction のパラダイムに適応し、復元を決定論的多様体射影として再構成し、1つの前方通過でクリーンな解剖を復元し、確率的サンプリングを除去する。 最後に、Semantic-Structural Alignment (SSA)モジュールは、医療基盤モデル(MedDINOv3)の先行値を用いてソリューションをアンロックし、臨床応用性を確保する。 合成および多施設臨床データセットの実験では、PGMPは未確認解剖学の最先端の手法よりも優れており、効率と診断信頼性の新たなベンチマークが設定されている。 コードとデータ:https://github.com/ricoleehduu/PGMP

関連論文リスト

• Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
  本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。 実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。 モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
  論文  参考訳（メタデータ） (2025-11-24T19:34:53Z)
• 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)
• 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)
• Towards a unified nonlocal, peridynamics framework for the coarse-graining of molecular dynamics data with fractures [6.478834929962051]
  MD模擬材料破壊データセットからメソスケール連続体サロゲートとして周辺力学モデルを抽出する学習フレームワークを提案する。 我々の周辺力学シュロゲートモデルは、トレーニングと異なるグリッド解像度の予測タスクに利用できる。
  論文  参考訳（メタデータ） (2023-01-11T16:07:17Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。