論文の概要: Continuity-driven Synergistic Diffusion with Neural Priors for Ultra-Sparse-View CBCT Reconstruction

• arxiv url: http://arxiv.org/abs/2602.07980v1
• Date: Sun, 08 Feb 2026 14:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.903567
• Title: Continuity-driven Synergistic Diffusion with Neural Priors for Ultra-Sparse-View CBCT Reconstruction
• Title（参考訳）: 超スパースビューCBCT再構成のためのニューラルプリミティブを用いた連続性駆動型相乗的拡散
• Authors: Junlin Wang, Jiancheng Fang, Peng Peng, Shaoyu Wang, Qiegen Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.291378238363174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The clinical application of cone-beam computed tomography (CBCT) is constrained by the inherent trade-off between radiation exposure and image quality. Ultra-sparse angular sampling, employed to reduce dose, introduces severe undersampling artifacts and inter-slice inconsistencies, compromising diagnostic reliability. Existing reconstruction methods often struggle to balance angular continuity with spatial detail fidelity. To address these challenges, we propose a Continuity-driven Synergistic Diffusion with Neural priors (CSDN) for ultra-sparse-view CBCT reconstruction. Neural priors are introduced as a structural foundation to encode a continuous threedimensional attenuation representation, enabling the synthesis of physically consistent dense projections from ultra-sparse measurements. Building upon this neural-prior-based initialization, a synergistic diffusion strategy is developed, consisting of two collaborative refinement paths: a Sinogram Refinement Diffusion (Sino-RD) process that restores angular continuity and a Digital Radiography Refinement Diffusion (DR-RD) process that enforces inter-slice consistency from the projection image perspective. The outputs of the two diffusion paths are adaptively fused by the Dual-Projection Reconstruction Fusion (DPRF) module to achieve coherent volumetric reconstruction. Extensive experiments demonstrate that the proposed CSDN effectively suppresses artifacts and recovers fine textures under ultra-sparse-view conditions, outperforming existing state-of-the-art techniques.
• Abstract（参考訳）: 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、診断の信頼性を損なう。 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。 これらの課題に対処するために,超疎視CBCT再構成のための連続性駆動型Synergistic Diffusion with Neural Priors (CSDN)を提案する。 ニューラルネットワークは、連続的な三次元減衰表現を符号化する構造基盤として導入され、超スパース測定から物理的に一貫した高密度射影を合成することができる。 このニューラル・プライア・ベース・イニシャライゼーションに基づいて、角連続性を復元するSinogram Refinement Diffusion(Sino-RD)プロセスと、投影画像からスライス間の一貫性を強制するDigital Radiography Refinement Diffusion(DR-RD)プロセスという、2つの協調的な洗練パスからなる相乗的拡散戦略が開発された。 2つの拡散経路の出力は、二重射影再構成融合(DPRF)モジュールによって適応的に融合され、コヒーレントな体積再構成を実現する。 広汎な実験により,提案したCSDNはアーティファクトを効果的に抑制し,微細なテクスチャを微視的条件下で復元し,既存の最先端技術より優れていることが示された。

関連論文リスト

• FSP-Diff: Full-Spectrum Prior-Enhanced DualDomain Latent Diffusion for Ultra-Low-Dose Spectral CT Reconstruction [20.226435074884808]
  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。
  論文  参考訳（メタデータ） (2026-02-08T14:13:19Z)
• Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
  高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。 超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T10:14:28Z)
• 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)
• FD-DiT: Frequency Domain-Directed Diffusion Transformer for Low-Dose CT Reconstruction [3.980622332603746]
  低線量CT(LDCT)は、放射線被曝を減らすが、画像のアーチファクトや、量子および電子ノイズによる詳細の喪失に悩まされる。 FD-DiTは、分布がLDCTデータと統計的に一致するまで、ノイズを徐々に導入する拡散戦略に重点を置いている。 次に、ハイブリッドな復調ネットワークを使用して、全体のデータ再構成プロセスを最適化する。 FD-DiTにより再構成されたLDCT画像は,同じ線量レベルでは,最先端の手法に比べて優れたノイズ抑制とアーチファクト抑制を示すことが示された。
  論文  参考訳（メタデータ） (2025-06-30T02:16:38Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)

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。