論文の概要: FSP-Diff: Full-Spectrum Prior-Enhanced DualDomain Latent Diffusion for Ultra-Low-Dose Spectral CT Reconstruction

• arxiv url: http://arxiv.org/abs/2602.07979v1
• Date: Sun, 08 Feb 2026 14:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.90274
• Title: FSP-Diff: Full-Spectrum Prior-Enhanced DualDomain Latent Diffusion for Ultra-Low-Dose Spectral CT Reconstruction
• Title（参考訳）: FSP-Diff: Ultra-Low-Dose Spectral CT 再建のためのFSP-Diff-F-Spectrum pre-Enhanced DualDomain Latent Diffusion
• Authors: Peng Peng, Xinrui Zhang, Junlin Wang, Lei Li, Shaoyu Wang, Qiegen Liu,
• Abstract要約: FSP-Diffは、超低用量スペクトルCT再構成のための、フルスペクトル事前強化デュアルドメイン潜在拡散フレームワークである。 本フレームワークは,画像の直接再構成と投影領域の復号化結果を統合する。 シミュレーションおよび実世界のデータセットの実験により、FSP-Diffは画像の品質と計算効率の両方において最先端の手法よりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 20.226435074884808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral computed tomography (CT) with photon-counting detectors holds immense potential for material discrimination and tissue characterization. However, under ultra-low-dose conditions, the sharply degraded signal-to-noise ratio (SNR) in energy-specific projections poses a significant challenge, leading to severe artifacts and loss of structural details in reconstructed images. To address this, we propose FSP-Diff, a full-spectrum prior-enhanced dual-domain latent diffusion framework for ultra-low-dose spectral CT reconstruction. Our framework integrates three core strategies: 1) Complementary Feature Construction: We integrate direct image reconstructions with projection-domain denoised results. While the former preserves latent textural nuances amidst heavy noise, the latter provides a stable structural scaffold to balance detail fidelity and noise suppression. 2) Full-Spectrum Prior Integration: By fusing multi-energy projections into a high-SNR full-spectrum image, we establish a unified structural reference that guides the reconstruction across all energy bins. 3) Efficient Latent Diffusion Synthesis: To alleviate the high computational burden of high-dimensional spectral data, multi-path features are embedded into a compact latent space. This allows the diffusion process to facilitate interactive feature fusion in a lower-dimensional manifold, achieving accelerated reconstruction while maintaining fine-grained detail restoration. Extensive experiments on simulated and real-world datasets demonstrate that FSP-Diff significantly outperforms state-of-the-art methods in both image quality and computational efficiency, underscoring its potential for clinically viable ultra-low-dose spectral CT imaging.
• Abstract（参考訳）: 光子計数検出器を用いたCT(Spectral Computed Tomography)は、物質識別や組織特性評価において大きな可能性を秘めている。 しかし、超低線量条件下では、エネルギー特異的な射影における信号-雑音比(SNR)の急激な劣化は重大な課題となり、再構成された画像の重大なアーティファクトと構造的詳細が失われる。 そこで本研究では,超低用量スペクトルCT再構成のためのフルスペクトル2領域遅延拡散フレームワークであるFSP-Diffを提案する。 私たちのフレームワークは3つのコア戦略を統合しています。 1)補完的特徴構築:投影領域の復号化結果と直接画像再構成を統合する。 前者は重騒音の中で潜伏したテクスチャニュアンスを保ち、後者は微細な忠実さと騒音抑制のバランスをとるための安定した構造的足場を提供する。 2) フルスペクトル事前統合: 高SNRフルスペクトル像に多エネルギー射影を融合することにより, 全エネルギービンの再構成を導く統一構造基準を確立する。 3) 効率的な潜伏拡散合成: 高次元スペクトルデータの計算負担を軽減するため, マルチパス特徴をコンパクトな潜伏空間に埋め込む。 これにより、拡散過程は、低次元多様体におけるインタラクティブな特徴融合を容易にし、きめ細かい詳細復元を維持しながら、高速な再構成を実現することができる。 シミュレーションおよび実世界のデータセットに関する大規模な実験により、FSP-Diffは画像品質と計算効率の両方において最先端の手法を著しく上回り、臨床的に実現可能な超低用量分光CT画像の可能性を実証している。

関連論文リスト

• Continuity-driven Synergistic Diffusion with Neural Priors for Ultra-Sparse-View CBCT Reconstruction [15.291378238363174]
  コーンビームCT(CBCT)の臨床応用は,放射線照射と画質のトレードオフによって制限される。 線量を減らすために使用される超スパース角サンプリングは、深刻なアンダーサンプリングアーティファクトとスライス間不整合を導入している。 既存の復元手法は、角の連続性と空間的詳細忠実さのバランスをとるのに苦労することが多い。
  論文  参考訳（メタデータ） (2026-02-08T14:16:30Z)
• One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
  スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。 ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。 我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
  論文  参考訳（メタデータ） (2026-01-20T17:11:55Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 3D Wavelet Latent Diffusion Model for Whole-Body MR-to-CT Modality Translation [13.252652406393205]
  既存の全身画像のためのMR-to-CT法では、生成したCT画像と入力したMR画像との空間的アライメントが低くなることが多い。 本稿では,これらの制約に対処する新しい3次元ウェーブレット遅延拡散モデル(3D-WLDM)を提案する。 エンコーダ・デコーダアーキテクチャにWavelet Residual Moduleを組み込むことで,画像空間と潜伏空間をまたいだ微細な特徴の捕捉と再構築が促進される。
  論文  参考訳（メタデータ） (2025-07-14T06:17:05Z)
• Learning transformer-based heterogeneously salient graph representation for multimodal remote sensing image classification [42.15709954199397]
  本稿では,変圧器を用いたヘテロジニアサリエントグラフ表現法(THSGR)を提案する。 まず、多モード不均一グラフエンコーダを用いて、非ユークリッド構造の特徴を異種データから符号化する。 自己アテンションフリーなマルチ畳み込み変調器は、効果的かつ効率的な長期依存性モデリングのために設計されている。
  論文  参考訳（メタデータ） (2023-11-17T04:06:20Z)
• Spectral2Spectral: Image-spectral Similarity Assisted Spectral CT Deep Reconstruction without Reference [5.109423491004876]
  本稿では、教師なしの手法とデータ事前を、Spectral2Spectralという名前の統一されたフレームワークに相乗化するための反復的深層再構築ネットワークを提案する。 我々のSpectral2Spectralは、教師なしの深層学習戦略を用いて、ノイズの多いデータからエンドツーエンドで高品質な画像を得る。 3つの大規模な前臨床データセット実験は、スペクトル2スペクトルが他の最先端の手法よりも優れた画質を再構成することを示した。
  論文  参考訳（メタデータ） (2022-10-03T03:07:33Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)

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。