論文の概要: HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography

• arxiv url: http://arxiv.org/abs/2602.22544v1
• Date: Thu, 26 Feb 2026 02:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.48798
• Title: HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography
• Title（参考訳）: HARU-Net: Cone-Beam Computed Tomography におけるエッジ保存用ハイブリッドアテンション残差U-Net
• Authors: Khuram Naveed, Ruben Pauwels,
• Abstract要約: コーンビームCT(CBCT)データの高品質デノナイズのための新しいハイブリッドアテンション残差U-Net(HARU-Net)を提案する。 HARU-Netは、SwinIRやUformerなどの最先端(SOTA)手法を一貫して上回り、最高のPSNR(37.52dB)、最高SSIM(0.9557)、最低GMSD(0.1084)を達成している。 この有効かつ臨床的に信頼性の高いCBCT復調法は,SOTA法に比べて計算コストが大幅に低い。
• 参考スコア（独自算出の注目度）: 0.4583541422554718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cone-beam computed tomography (CBCT) is widely used in dental and maxillofacial imaging, but low-dose acquisition introduces strong, spatially varying noise that degrades soft-tissue visibility and obscures fine anatomical structures. Classical denoising methods struggle to suppress noise in CBCT while preserving edges. Although deep learning-based approaches offer high-fidelity restoration, their use in CBCT denoising is limited by the scarcity of high-resolution CBCT data for supervised training. To address this research gap, we propose a novel Hybrid Attention Residual U-Net (HARU-Net) for high-quality denoising of CBCT data, trained on a cadaver dataset of human hemimandibles acquired using a high-resolution protocol of the 3D Accuitomo 170 (J. Morita, Kyoto, Japan) CBCT system. The novel contribution of this approach is the integration of three complementary architectural components: (i) a hybrid attention transformer block (HAB) embedded within each skip connection to selectively emphasize salient anatomical features, (ii) a residual hybrid attention transformer group (RHAG) at the bottleneck to strengthen global contextual modeling and long-range feature interactions, and (iii) residual learning convolutional blocks to facilitate deeper, more stable feature extraction throughout the network. HARU-Net consistently outperforms state-of-the-art (SOTA) methods including SwinIR and Uformer, achieving the highest PSNR (37.52 dB), highest SSIM (0.9557), and lowest GMSD (0.1084). This effective and clinically reliable CBCT denoising is achieved at a computational cost significantly lower than that of the SOTA methods, offering a practical advancement toward improving diagnostic quality in low-dose CBCT imaging.
• Abstract（参考訳）: コーンビームCT(CBCT)は歯科および顎顔面画像において広く用いられているが,低用量取得は軟部組織視認性を低下させ,微細な解剖学的構造を曖昧にする強い空間的ノイズをもたらす。 古典的遮音法は、縁を保ちながらCBCTの雑音を抑制するのに苦労する。 深層学習に基づくアプローチは、高忠実性回復を提供するが、CBCT復調におけるそれらの使用は、教師付きトレーニングのための高解像度CBCTデータの不足によって制限される。 本研究では,3D Accuitomo 170 (J. Morita, Kyoto, Japan) CBCT の高分解能プロトコルを用いて取得したヒトヘミマンチブルのケーダバーデータセットに基づいて,CBCT データの高品質な復調のためのハイブリッドアテンショナルU-Netを提案する。 このアプローチの新たな貢献は、3つの補完的なアーキテクチャコンポーネントの統合である。 i) 各スキップ接続に埋め込まれたハイブリットアテンショントランスポーターブロック(HAB)を選択的に有意な解剖学的特徴を強調する。 (II)大域的文脈モデリングと長距離特徴相互作用を強化するためにボトルネックに残留するハイブリッド・アテンション・トランスフォーマー・グループ(RHAG) 3) ネットワーク全体のより深く,より安定した特徴抽出を容易にするための残差学習畳み込みブロック。 HARU-Netは、SwinIRやUformerなどの最先端(SOTA)手法を一貫して上回り、最高のPSNR(37.52dB)、最高SSIM(0.9557)、最低GMSD(0.1084)を達成している。 この有効かつ臨床的に信頼性の高いCBCT復調法は、SOTA法よりも計算コストが大幅に低く、低線量CBCT画像の診断品質向上に向けた実用的な進歩を提供する。

関連論文リスト

• Multi-Stage Residual-Aware Unsupervised Deep Learning Framework for Consistent Ultrasound Strain Elastography [0.9698885636466451]
  Ultrasound Strain Elastography (USE)は、組織力学的特性を評価するための強力な非侵襲イメージング技術である。 我々は,頑健かつ一貫したひずみ推定のための残差認識・多段階非教師付き逐次ディープラーニングフレームワークであるMUSSE-Netを提案する。 MUSSE-Netは24.54の目標SNR、132.76のバックグラウンドSNR、59.81のCNR、9.73のエラストグラフSNRで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-19T17:22:25Z)
• CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram [9.788176765955534]
  冠動脈疾患(CAD)は死亡率の低下と患者の治療計画の改善に重要である。 冠状動脈リファインメントネットワーク(CASR-Net, Coronary Artery and Refinement Network)は, 画像前処理, セグメンテーション, 精細化の3段階からなるパイプラインである。
  論文  参考訳（メタデータ） (2025-10-31T09:40:29Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• CLARAE: Clarity Preserving Reconstruction AutoEncoder for Denoising and Rhythm Classification of Intracardiac Electrograms [37.042025337065816]
  CLARAEは1次元エンコーダデコーダである。 高忠実度再構成とコンパクトな64次元潜在表現を実現する。
  論文  参考訳（メタデータ） (2025-09-28T20:39:21Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT [7.879949714759592]
  低線量CT (low-dose Computed Tomography) denoising algorithm) は, 日常的なCT取得において, 患者線量を減らすことを目的としている。 深層学習(DL)に基づく手法が導入された。 本稿では, 畳み込み型DLベースデノナイジングネットワークと組み合わせた, トレーニング可能な連立フィルタ(JBF)の組み合わせによるハイブリッドデノナイジング手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:30:32Z)
• Retinal OCT Denoising with Pseudo-Multimodal Fusion Network [0.41998444721319206]
  本稿では,単フレームノイズBスキャンと擬似モダリティからの情報を活用する学習手法を提案する。 本手法は, 網膜層間のコントラストを高めるとともに, 全体構造と微小血管を保存し, スペックルノイズを効果的に抑制することができる。
  論文  参考訳（メタデータ） (2021-07-09T08:00:20Z)
• 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)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。