論文の概要: IPv2: An Improved Image Purification Strategy for Real-World Ultra-Low-Dose Lung CT Denoising

• arxiv url: http://arxiv.org/abs/2602.19314v1
• Date: Sun, 22 Feb 2026 19:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.580905
• Title: IPv2: An Improved Image Purification Strategy for Real-World Ultra-Low-Dose Lung CT Denoising
• Title（参考訳）: IPv2: リアルタイム超低線量肺CTにおける画像浄化戦略の改善
• Authors: Guoliang Gong, Man Yu,
• Abstract要約: 画像浄化戦略は、整列解剖学的構造を有する中間分布を構成する。 この戦略は、画像背景を未処理のままにしながら、胸壁や骨領域のみのノイズを抑制する。 この戦略には肺腺腫を発症するための専用のメカニズムが欠如している。
• 参考スコア（独自算出の注目度）: 1.6574413179773761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The image purification strategy constructs an intermediate distribution with aligned anatomical structures, which effectively corrects the spatial misalignment between real-world ultra-low-dose CT and normal-dose CT images and significantly enhances the structural preservation ability of denoising models. However, this strategy exhibits two inherent limitations. First, it suppresses noise only in the chest wall and bone regions while leaving the image background untreated. Second, it lacks a dedicated mechanism for denoising the lung parenchyma. To address these issues, we systematically redesign the original image purification strategy and propose an improved version termed IPv2. The proposed strategy introduces three core modules, namely Remove Background, Add noise, and Remove noise. These modules endow the model with denoising capability in both background and lung tissue regions during training data construction and provide a more reasonable evaluation protocol through refined label construction at the testing stage. Extensive experiments on our previously established real-world patient lung CT dataset acquired at 2% radiation dose demonstrate that IPv2 consistently improves background suppression and lung parenchyma restoration across multiple mainstream denoising models. The code is publicly available at https://github.com/MonkeyDadLufy/Image-Purification-Strategy-v2.
• Abstract（参考訳）: 画像浄化戦略は、整列解剖構造を有する中間分布を構築し、実世界の超低線CT画像と正常線CT画像との空間的ずれを効果的に補正し、デノナイジングモデルの構造保存能力を著しく向上させる。 しかし、この戦略には2つの固有の制限がある。 まず、画像背景を未処理のままにしながら、胸壁や骨領域のみのノイズを抑制する。 第二に、肺腺腫を発症するための専用のメカニズムが欠如している。 これらの課題に対処するため,元の画像浄化戦略を体系的に再設計し,IPv2と呼ばれる改良版を提案する。 提案された戦略では、Remove background、Add noise、Remove noiseという3つのコアモジュールが導入されている。 これらのモジュールは、トレーニングデータ構築中に、背景組織と肺組織の両方の領域でノイズ発生能力を持つモデルを提供し、試験段階において、より合理的なラベル構築を通じて、より合理的な評価プロトコルを提供する。 これまでに確立した実世界の患者肺CTデータセットを2%の放射線線量で取得し,IPv2による背景抑制と肺発作の回復が,複数の主流の認知モデルで一貫して改善されていることを示す。 コードはhttps://github.com/MonkeyDadLufy/Image-Purification-Strategy-v2で公開されている。

関連論文リスト

• A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy [1.6574413179773761]
  超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。 また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。 本稿では,画像浄化(IP)戦略に基づく革新的なデノベーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T19:40:38Z)
• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• 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)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network [10.09577595969254]
  CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。 本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。 提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
  論文  参考訳（メタデータ） (2021-05-31T07:42:21Z)

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。