論文の概要: Towards reconstructing experimental sparse-view X-ray CT data with diffusion models

• arxiv url: http://arxiv.org/abs/2602.12755v1
• Date: Fri, 13 Feb 2026 09:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.907798
• Title: Towards reconstructing experimental sparse-view X-ray CT data with diffusion models
• Title（参考訳）: 拡散モデルによるスパースビューX線CTデータの再構成に向けて
• Authors: Nelas J. Thomsen, Xinyuan Wang, Felix Lucka, Ezgi Demircan-Tureyen,
• Abstract要約: 拡散型画像生成装置はスパースビューX線CT(CT)のような不適切な逆問題に先んじている 合成シェップロガンファントムに類似した物理ファントムからのCTデータを測定し, 領域シフトの異なる合成画像データセットの拡散先行を訓練した。 重度のミスマッチはモデル崩壊と幻覚を引き起こすが、様々な先行はうまく適合するが狭い先行よりも優れる。
• 参考スコア（独自算出の注目度）: 1.8772041878645511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based image generators are promising priors for ill-posed inverse problems like sparse-view X-ray Computed Tomography (CT). As most studies consider synthetic data, it is not clear whether training data mismatch (``domain shift'') or forward model mismatch complicate their successful application to experimental data. We measured CT data from a physical phantom resembling the synthetic Shepp-Logan phantom and trained diffusion priors on synthetic image data sets with different degrees of domain shift towards it. Then, we employed the priors in a Decomposed Diffusion Sampling scheme on sparse-view CT data sets with increasing difficulty leading to the experimental data. Our results reveal that domain shift plays a nuanced role: while severe mismatch causes model collapse and hallucinations, diverse priors outperform well-matched but narrow priors. Forward model mismatch pulls the image samples away from the prior manifold, which causes artifacts but can be mitigated with annealed likelihood schedules that also increase computational efficiency. Overall, we demonstrate that performance gains do not immediately translate from synthetic to experimental data, and future development must validate against real-world benchmarks.
• Abstract（参考訳）: 拡散に基づく画像生成装置は、スパースビューX線CT(CT)のような不適切な逆問題に先んじている。 多くの研究が合成データについて検討しているため、トレーニングデータミスマッチ(`‘ドメインシフト’')とフォワードモデルミスマッチが実験データへの適用を複雑にするかは明らかではない。 合成シェップロガンファントムに類似した物理ファントムからのCTデータを測定し, 領域シフトの異なる合成画像データセットの拡散先行を訓練した。 そこで我々は,実験データに繋がる難易度の高いスパースビューCTデータセットに対して,分解拡散サンプリング方式の先行手法を適用した。 重度のミスマッチはモデル崩壊と幻覚を引き起こすが、様々な先行はうまく適合するが狭い先行よりも優れる。 フォワードモデルミスマッチは、画像サンプルを以前の多様体から引き離し、アーティファクトを発生させるが、アニールされた確率スケジュールで緩和することができ、計算効率も向上する。 全体として、性能向上はすぐには合成データから実験データに変換されず、将来の開発は実世界のベンチマークに対して検証する必要があることを実証する。

関連論文リスト

• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Diffusion Active Learning: Towards Data-Driven Experimental Design in Computed Tomography [5.924442927584412]
  拡散能動学習(Diffusion Active Learning)は、生成拡散モデリングとデータ駆動シーケンシャルな実験設計を組み合わせた新しいアプローチである。 我々は、構造化された事前データセットが利用可能な実験検証のための科学計算トモグラフィー(CT)に焦点を当てる。 以上の結果から,X線量減少に対応して,データ取得要件の大幅な削減が図られた。
  論文  参考訳（メタデータ） (2025-04-04T14:46:48Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
  線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。 加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。 高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• Discovery and Expansion of New Domains within Diffusion Models [41.25905891327446]
  拡散モデルの一般化特性を数発のセットアップで検討する。 ドメイン外のターゲットデータを合成するための新しいチューニング不要パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:07:31Z)
• One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
  低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。 ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。 低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。 以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
  論文  参考訳（メタデータ） (2022-12-07T13:39:23Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。