論文の概要: Cross-Modal Guidance for Fast Diffusion-Based Computed Tomography

• arxiv url: http://arxiv.org/abs/2603.01253v1
• Date: Sun, 01 Mar 2026 20:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.590958
• Title: Cross-Modal Guidance for Fast Diffusion-Based Computed Tomography
• Title（参考訳）: 高速拡散型CTのためのクロスモーダル誘導法
• Authors: Timofey Efimov, Singanallur Venkatakrishnan, Maliha Hossain, Haley Duba-Sullivan, Amirkoushyar Ziabari,
• Abstract要約: 中性子CTのような特定の応用では、単一のスキャンであっても大量の測定値を集めるのが高価である。 この課題を緩和するための1つの戦略は、補完的で容易に利用できる画像モダリティを活用することである。 本稿では,拡散の事前調整を行なわずに追加のモダリティを組み込むことにより,コストのかかるモダリティの高速撮像を可能にすることを提案する。
• 参考スコア（独自算出の注目度）: 1.3048920509133808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have emerged as powerful priors for solving inverse problems in computed tomography (CT). In certain applications, such as neutron CT, it can be expensive to collect large amounts of measurements even for a single scan, leading to sparse data sets from which it is challenging to obtain high quality reconstructions even with diffusion models. One strategy to mitigate this challenge is to leverage a complementary, easily available imaging modality; however, such approaches typically require retraining the diffusion model with large datasets. In this work, we propose incorporating an additional modality without retraining the diffusion prior, enabling accelerated imaging of costly modalities. We further examine the impact of imperfect side modalities on cross-modal guidance. Our method is evaluated on sparse-view neutron computed tomography, where reconstruction quality is substantially improved by incorporating X-ray computed tomography of the same samples.
• Abstract（参考訳）: 拡散モデルはCT(Computerd tomography)における逆問題解決の強力な先駆者として現れてきた。 中性子CTなどの特定の応用では、単一のスキャンでも大量の測定値を集めるのに費用がかかるため、拡散モデルでさえ高品質な再構成を得るのが難しくなる。 この課題を軽減する1つの戦略は、補完的で容易に利用できる画像モダリティを活用することであるが、そのようなアプローチは通常、大きなデータセットで拡散モデルを再訓練する必要がある。 本研究では,拡散を事前に調整することなく,付加的なモダリティを組み込むことにより,コストのかかるモダリティの高速イメージングを実現することを提案する。 さらに,不完全側モダリティがクロスモーダルガイダンスに与える影響について検討する。 提案手法は, 同じ試料のX線CTを組み込むことで, 再現性を大幅に向上するスパルスビュー中性子CTを用いて評価した。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• 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)
• Denoising Diffusion Probabilistic Models for Magnetic Resonance Fingerprinting [7.379135816468852]
  MRF(Magnetic Resonance Fingerprinting)は、MRIの定量的手法である。 正確な再建を達成することは、特に高度に加速され、アンサンプされた買収において、依然として困難である。 MRF画像再構成のための条件拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-29T21:38:54Z)
• Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
  分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。 反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。 その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
  論文  参考訳（メタデータ） (2024-05-27T13:44:53Z)
• Diffusion Prior Regularized Iterative Reconstruction for Low-dose CT [9.866443235747287]
  拡散前に正規化された反復的再構成アルゴリズムを導入する。 また、ネステロフ運動量加速技術も取り入れた。 本手法は,高分解能CT画像の再構成を最小限の放射線で行うことが可能である。
  論文  参考訳（メタデータ） (2023-10-10T19:08:57Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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)

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。